指静脉作为生物特征之一,由于其采集成本低以及难以仿造的特点,成为用来进行身份验证的主要特征。指静脉验证算法的目的是对两张指静脉图像进行相似性度量并判断两张图像是否来自于同一根手指。而目前已有的算法往往较为复杂庞大,需要较高的算力与内存空间,部署成本较高,并且会存在训练模型时与验证时不是相同指静脉采集设备的问题。如何实现跨设备轻量级的指静脉验证方法成为待解决的一大难题。同样的,指静脉图像在采集时质量参差不齐,手指会出现各种各样的平移旋转以及光照导致的干扰,并且不同的采集设备对于同一根手指采集到的指静脉图像往往也会有较大的区别。这些问题导致了类内类间特征在特征空间分布差异不明显以及类内距离大于类间距离等问题。基于以上问题,本文提出了跨设备轻量级指静脉验证算法,主要工作如下:1)给出一种基于Retinex和最大曲率的跨设备指静脉图像预处理算法。由于目前并没有公共的跨设备指静脉数据集能够用来进行算法的测试,所以本文构建了包含三个不同采集设备的跨设备指静脉数据集。各种设备采集的指静脉图像数据情况复杂,仅通过固定的阈值并不能准确提取指静脉边缘,由于手指的厚度以及仪器打光方式并不相同,往往会存在光照分布不均匀的情况,更重要的是仪器之间采集窗口大小以及CCD摄像头的DPI并不相同,这导致了特征区域不统一的问题。本文给出一种基于去伪边缘、Retinex和最大曲率的跨设备指静脉图像预处理算法。该算法首先使用Sobel算子提取指静脉图像的水平边缘,并给出一种去伪边缘策略,对提取到的边缘分别进行曲线拟合、中线拟合和滑动窗口得到更加鲁棒的指静脉边缘。然后给出基于导向滤波的多尺度Retinex算法来减弱光照分布带来的影响。最后使用基于最大曲率法的指静脉图像配准算法来匹配相同特征区域。本文在三个公开指静脉数据集与构建的跨设备数据集中进行效果对比实验与消融分析,在跨设备指静脉数据集中,等错误率最多降低了24.65%,在公共数据集中等错误率最多降低1.30%。2)给出一种基于L2Net的指静脉验证算法。在该方法中给出一种能够直接提取指静脉图像特征描述子的网络结构。算法从验证任务的特点出发,引入了通道注意力机制对特征图中不同的通道进行信息重要程度的区分,并采用能够直接应用于验证任务的三元组损失函数的欧氏距离形式对网络进行训练,从而有效提升指静脉验证算法整体的性能。在三个公共指静脉数据集与构建的跨设备指静脉数据集中分别进行验证实验,在MMCBNU＿6000数据集中算法的等错误概率为0.06%,在FV-USM数据集上等错误概率为0.10%,在SDUMLA-FV数据集中等错误概率为0.40%,在跨设备数据集中的实验均取得了较好的效果。验证了算法的有效性。3)给出了一种基于Mat-Pkt Loss的轻量级指静脉验证算法。在该方法中本文给出一种基于分组卷积的轻量级指静脉验证网络结构。该网络所使用的网络模块是在分组卷积的基础上进行改进,在局部深度相比于基于L2Net的指静脉验证网络结构更深,能够更好地拟合网络的输出。接着,本文给出一种改进的蒸馏损失函数,Mat-Pkt Loss,该损失函数能够分别从网络的中间层与输出层进行约束,使基于L2Net的指静脉验证网络中的知识更好地传递到基于分组卷积的轻量级指静脉验证网络中,在损失较少性能的前提下大幅度降低所需的算力与所需要的参数量。本文分别在三个公开指静脉数据集与跨设备指静脉数据集中进行对比实验与消融分析,均取得了较好的效果,验证了算法的有效性。对比了目前主流的深度学习模型所需的算力与参数量,本文给出的轻量级网络相较于部署在嵌入式设备上ShuffleNet所需的算力降低了0.02GMACs,所需的参数量降低了1.72M,验证了本文网络的轻量级。