随着信息技术和硬件水平的不断发展革新,现代生物识别技术越来越多的步入人们的日常生活中。尤其是近几年,新型冠状病毒肺炎在全球爆发,人们出入重要公共场合需要进行准确的身份认证和登记,但是面对新冠病毒极强的传染性和致病率,需要保证身份认证过程中受众的人身安全。而虹膜识别技术作为生物识别的热门研究方向之一,由于其非接触采集,不易伪造,可靠性高等特点,无疑是最符合当下身份认证需求的研究方向之一。而在虹膜识别流程中,如何在采集到的虹膜图像上准确快速地定位虹膜区域是关键一环,这一步也直接关系到最终的识别准确率和识别时间。本文提出了一种以YOLOv4目标检测模型作为基本框架的改进算法替代传统方法用于虹膜定位:（1）针对虹膜定位实时性要求,本文将移动端轻量型卷积神经网MobileNetv2作为模型的主干网络进行特征提取。常见的特征提取网络如ResNet,DarkNet,AlexNet等大都结构复杂,参数量大,计算时间长,不符合虹膜识别的便捷性需求。所以本文使用轻量级神经网络MobileNet-v2作为虹膜定位模型的主干特征提取网络,在保证定位准确性的同时降低模型需要训练的参数量及计算量,提高定位速度,保证定位实时性。（2）针对虹膜图像中不同目标尺度变化的问题,本文加入自适应特征融合模块。在虹膜图像中,需要识别的目标同时包括包含尺寸较大的虹膜和尺寸较小的瞳孔,但是卷积神经网络在特征提取过程中的卷积计算无法同时处理不同尺寸的目标,常用的解决办法是在特征提取网络之后插入特征金字塔,将不同尺寸特征图叠加使用。而本文使用自适应特征融合增强策略,通过学习所有不同特征图之间的关联性,自主调配特征图全连接融合时的计算权重,以达到更好的特征融合效果,在一定程度上提高对不同尺度目标的检测能力。（3）为提高算法的虹膜定位准确率,本文引入了卷积注意力机制。注意力机制可以帮助模型了解需要重点学习的特征信息,但是单纯的空间注意力机制或通道注意力机制都有各自的局限性,本文在主干特征提取网络和特征融合网络中间加入CMAM注意力模块,分别从通道和空间两个维度突出所传递特征图的重要特征,获得更好的定位效果。此外在虹膜数据集方面,本文采用了基于清晰度检测和虹膜可见度检测的虹膜质量评价方法进行虹膜图像筛选。首先快速确定瞳孔大致位置,依据先验关系划定虹膜有效区域范围,针对该区域利用图像灰度梯度进行清晰度评价,再将瞳孔周围的区域分块计算灰度均值,根据灰度分布情况进行虹膜可见度评价。综合两方面对虹膜图像质量进行评估筛选。在实验部分,本文以吉林大学生物信息实验室自主采集制作的JLU虹膜库为基础,通过质量评价筛选合格图像制作实验数据集,以虹膜平均定位准确率、FPS（定位时间效率）、模型体量等作为评价指标,科学评估本文提出的算法性能。经过实验横向对比现有的其他虹膜定位方法,证明本文算法在定位准确率略有提升的同时,显著降低了定位时间,且模型更加轻量化,在整体性能上具有明显优势。最后通过消融实验验证改进部分有效性。