在新冠肺炎疫情期间,接触式的指纹识别和非遮挡式的人脸识别在身份认证过程中应用受到了一定的限制,这让人们意识到非接触式认证方式--虹膜识别的重要性。但现有的虹膜识别算法对于非合作状态下获取的低质量虹膜图像的分割和识别性能不佳,而这类图像是大量存在的。同时,对这类虹膜图像的真实虹膜区域进行人工定位的做法存在不可靠性,不利于虹膜识别算法的进一步发展。本文主要设计了基于深度学习的虹膜定位分割分及识别算法,以提升低质量且无公开真实标的（Ground Truth,GT）的虹膜图像的虹膜分割和识别性能。本文的主要工作和贡献如下:（1）提出了双注意力密集连接网络（Dual Attention Dense Connection Network,DADCNet）。本文通过结合通道注意力、空间注意力以及改进的跳跃连接结构,形成了以编码解码为基础的,能将高低特征图有效融合的,对真实虹膜区域精准定位的虹膜分割网络DADCNet。为了说明DADCNet分割性能的优越性以及经DADCNet分割后的掩码图像替代对应的公开GT图像的可行性,我们从两个角度对其进行验证:一方面,与其他先进的分割方法进行对比,确定DADCNet的分割性能,同时将DADCNet分割后的掩码图像与对应公开GT图像定位的虹膜区域进行对比分析,从主观上论证前者比后者对真实虹膜区域的定位更准确;另一方面,利用同一识别网络下的识别结果分析对应输入类包含真实虹膜区域的大小,从客观上论证DADCNet比对应公开GT图像对真实虹膜区域的定位更准确。在公开可用的2个近红外光和2个可见光下的虹膜数据集上进行的大量相关实验表明,本文提出的DADCNet对真实虹膜区域的定位能力强于对应的公开GT图像,并可以将分割后的掩码图像替代对应的公开GT图像。此外,相关的消融实验结果证明了DADCNet中改进的跳跃连接结构的有效性。（2）提出了基于深度学习的虹膜识别统一框架,该统一框架是无归一化的,同时包含了用于虹膜分割的多注意力密集连接网络（Muti-attention Dense Connection Network,MADNet）和用于虹膜识别的密集空间注意力网络（Dense Spatial Attention Network,DSANet）。本文通过将密集连接、多注意力模块和新的跳跃连接结合,形成具有比DADCNet定位分割能力更强的虹膜分割算法MADNet。通过将密集连接与空间注意力结合,形成了能充分利用特征图空间位置信息的,具有强特征提取能力的虹膜识别算法DSANet。利用完全公平和部分完全公平的虹膜识别对比实验,验证DSANet的有效性。同时利用分割以及同一识别网络下的虹膜识别实验,验证MADNet性能的优越性。在两个低质量且无公开GT的虹膜数据集和一个质量相对较高的有公开GT的虹膜数据集上的实验结果表明,本文所提出的虹膜识别统一框架能对低质量且无GT的虹膜图像进行泛化,得到对真实虹膜区域进行精准定位的掩码图像,同时在这类图像上具有较高的识别性能。针对无归一化的必要性,还进行了相关消融实验,实验结果表明,在基于深度学习的虹膜识别框架中,无归一化过程能带来识别性能的提升。此外,我们还对低质量图像进行了二次分类,并进行完全公平的分割对比实验。实验结果表明,本文所提出的统一框架能提升不同类型的低质虹膜图像的分割性能。