随着信息时代的到来,大数据以及人工智能的快速发展,生物特征识别技术扮演着越来越重要的角色。虹膜识别技术是生物特征识别技术最重要的技术之一。人类的虹膜是一种显著的生物特征,有着丰富的纹理特征,且具有极高的独特性、稳定性。尽管虹膜识别技术发展迅速,虹膜识别系统也会受到伪虹膜的攻击。虹膜活体检测是虹膜识别系统中不可缺少的一个模块,它能够减少虹膜识别系统被伪虹膜袭击的风险。卷积神经网络是深度学习中的一个重要学习模型,目前在人脸识别和指纹识别都取得了不错的成绩,本文将卷积神经网络运用到虹膜活体检测任务中,并在传统的卷积神经网络模型的基础上进行了改进,应用卷积神经网络对虹膜图像进行特征提取和分类,实验表明改进的卷积神经网络模型在虹膜活体检测中有着更出色的表现。本文的主要工作内容概括如下:(1)提出一种基于批量标准化的卷积神经网络虹膜活体检测算法。该算法通过虹膜分割、归一化方式对虹膜图像进行预处理,利用批量标准化的卷积神经网络对预处理后虹膜图像提取虹膜特征,使用网络的决策层对真虹膜和伪虹膜进行分类。批量标准化卷积神经网络能够解决传统方法虹膜特征提取过于单一、鉴别准确率不高、以及基于深度学习的虹膜检测算法中易出现过拟合、梯度消失的问题。实验结果表明该算法能挖掘到虹膜更深层次的纹理特征,与传统方法比较,获得更高的准确率。(2)提出一种基于YOLO的虹膜活体检测算法。YOLO算法通过卷积层对输入的虹膜图像进行候选框提取,使用全局平均的池化方法对虹膜图像进行预分类,最后将检测到真伪虹膜图像标出其位置。YOLO算法不仅能够解决深度学习中卷积神经网络虹膜活体检测时间复杂度过高的问题还能准确地识别真伪虹膜,实验结果表明YOLO算法相比于批量标准化卷积神经网络的时间复杂度减少,并且也能达到很高的鉴别准确率。