生物特征识别技术为身份管理提供了新的机制,因其更高的安全性和便捷性已广泛应用于各个领域。但是生物特征数量有限且很大程度上是不可改变的,一旦存储数据库被攻击,会造成很严重的隐私泄露等安全问题。其次,指纹作为最常用的生物特征之一,由于其具有唯一性和终身不变性的特点,指纹数据库一旦丢失,造成的损失是不可挽回的。因此指纹模板保护技术得到了越来越多的关注和研究。目前,便捷设备由于外观不断更新使得指纹采集面积越来越小,导致采集区域的有效细节点变少,这就限制了现有模板保护方法的准确性。本文从图像处理的角度,研究了端到端的基于深度学习的指纹模板保护方法,在指纹模板保护邻域做了一些创新工作,主要研究内容和贡献点包括以下几个部分:1)本文提出了一种基于深度学习的神经网络端到端指纹特征提取网络,该网络模型不仅能够实现指纹识别,同时能够进行指纹图像加密域特征匹配。文中对自建的FS200常规指纹库和国际公认的FVC2002 DB1指纹库进行实验,实验结果为:FS200与FVC2002 DB1常规指纹库匹配结果EER(等错误率)分别为1.01%和1.68%。2)本文改进了基于像素混洗的指纹图像模板保护算法,增强了像素插值的安全性,同时生成哈希校验码与像素混洗模板形成双重安全机制,有效提高了抗相似性攻击性能。并利用深度学习技术进行加密域匹配,比传统像素点匹配算法鲁棒性更强。文中使用自建的小面积指纹库在该算法上进行实验。实验结果:EER为2.52%。3)本文提出了一种基于深度指纹特征的指纹模板保护算法,该方法基于深度学习将原始指纹模板特征提取成512维特征向量串,然后利用随机映射与非线性多维谱哈希变换将512维实数特征向量串转化为512维二进制串。文中使用自建的小面积指纹库在该算法上进行实验。实验结果:EER为2.13%。该算法较传统线性多维谱哈希变换有更好的抗相似性攻击性能,同时准确性较2)算法也有所提升。4)本文设计并开发了一个基于Fuzzy Vault的指纹文件加解密系统,实现了利用指纹绑定随机密钥串结合AES加密模式对文件进行加解密的功能。综上所述,本文提出的两种模板保护算法优于传统经典小面积指纹模板保护算法,同时基于深度学习的端到端指纹匹配算法结果与传统指纹匹配算法结果相当,在一定程度上促进了基于指纹图像的匹配与模板保护的应用。