生物特征识别是指利用人体固有的生理或行为特征来进行个体身份鉴别的方法和技术,近年来已经逐步进入到人们的日常生活中,成为现代社会的重要组成部分。人耳识别作为生物特征识别技术的一个分支,旨在赋予计算机根据人耳图像自动辨别个体身份的能力。由于人耳独特的生理位置与结构特征,其理论与应用研究在近年来受到了国内外学者广泛的关注。深度学习是机器学习研究中的一个新领域,其动机在于建立模拟人脑进行分析学习的神经网络,通过组合低层特征形成更加抽象的高层表示属性,以发现数据的分布式特征。卷积神经网络作为深度学习中的核心技术,具有局部感知、权值共享和池化采样等特点,在图像识别方面取得了良好的成绩。本文使用Caffe深度学习框架,将卷积神经网络应用到人耳识别中,设计出了用于人耳识别的网络模型,提升了人耳识别的准确率与鲁棒性,主要研究内容如下:(1)建立了用于深度学习研究的人耳图像库。卷积神经网络需要大量的人耳图像来训练网络模型,而传统的人耳图像库数据量有限,因此,本文自行采集人耳图像样本,对50名志愿者在不同的角度和光照条件下进行每人2000张人耳图像的拍摄,并通过图像预处理制成人耳识别数据集。(2)详细研究了深度学习与卷积神经网络的基本理论。从人脑视觉机理与人工神经网络的原理,引入BP神经网络的反向传播算法,再进一步分析卷积神经网络的结构特点,以及其应用到人耳识别中的优势和有效性。(3)提出一种基于深度卷积神经网络的人耳识别算法。并在激活函数、正则化以及优化器三方面对提出的人耳识别网络模型进行优化,采用Caffe深度学习框架进行具体实验确定多种参数的取值。对于训练好的网络模型,通过不同的干扰条件与其他人耳识别方法进行对比,证明了本文提出的方法具有更高的准确率与鲁棒性。