掌纹是重要的生物特征模态之一,由于其蕴含丰富的纹理特征,并具有良好的隐私性和安全性,近年来成为研究和应用的热点。当前主流的掌纹识别算法包括基于编码和基于深度学习两大类。基于编码的识别算法无需训练,存储开销和匹配计算量低,可应用于低复杂度的实际场景,但容易遭受各类干扰影响。基于深度学习的算法对各类干扰（如错位、形变等）具有更强的鲁棒性,但通常需要大量的训练样本,训练的计算复杂度和硬件要求较高。本文深入研究了两类掌纹识别算法,并在多阶纹理特征和多光谱图像上进行了融合识别,还在视频媒体中实现了动态掌纹识别。主要工作和贡献总结如下。（1）研究背景、意义及相关知识介绍研究工作的背景和意义,总结概述了掌纹图像类型,掌纹识别中图像预处理和特征提取的研究现状。指出了目前研究中存在的问题。此外,介绍了掌纹识别的相关评价指标。（2）多阶纹理共生编码掌纹识别算法基于编码的算法方面,为了更充分表征掌纹特征,设计了二阶纹理共生编码和多阶纹理共生编码。详细介绍了二阶纹理共生编码的特点以及与一阶纹理共生编码相比的区别和优势。一阶纹理特征有利于对细节纹理的描述,而二阶纹理特征则更加注重主线纹理的描述。设计了多阶纹理共生编码,对一阶和二阶纹理共生编码进行分数级融合,取得了比当前各类主流掌纹编码算法都更高的识别精度。（3）多光谱哈希码掌纹融合识别算法基于深度学习的算法方面,使用改进的CNN-F网络作为骨干网络,将空间变换网络（Spatial Transformer Network,STN）模块嵌入到网络中,有效克服感兴趣区域（Region of Interest,ROI）错位和形变的干扰。深度哈希网络输出掌纹图像的特征哈希码,相比于基于纹理编码的方法,深度哈希码使用更少的数据量取得了与之相当甚至更好的结果。同时,将多光谱掌纹图像进行分数级融合,进一步提升了识别精度。（4）基于辅助摆放的视频掌纹识别设计并实现了基于辅助摆放的视频掌纹识别系统。其中采用“双水平线-一点”（Dual-horizontal-line-one-point,DHLOP）的辅助摆放方法拍摄视频,有效减少了画面中背景的无效面积,减少了画面旋转等预处理操作。根据指缝区域的特点设计了有效帧的判断标准,根据截取的ROI质量设计了关键帧的判断标准。利用获取的关键帧设计了多帧注册和逐帧验证的方案。在我们采集建立的视频掌纹数据库上进行实验,验证了提出方法的可行性和实用性。综上所述,本文提出了多阶纹理共生编码算法,更全面表征掌纹图像的各阶纹理特征,在图像低分辨率条件依然可以满足实用化的精度要求。在深度哈希网络中添加空间变换网络,抵御错位和形变等干扰,并对多光谱掌纹图像通过分数级融合,提高了识别精度。最后,设计和实现了采用辅助摆放方式拍摄的视频动态掌纹识别系统。