随着信息科学技术的高速发展,如何方便可靠的进行身份识别,保护自身信息安全成为当前社会急需解决的重要问题。指静脉识别技术,因其安全等级高、活体识别、内部特征等独特优势,吸引了越来越多生物识别研究者的兴趣。指静脉识别系统主要包含图像采集、预处理、特征提取、识别匹配四个阶段,在预处理环节,准确提取手指静脉图像的感兴趣区域(Region Of Interset,ROI)至关重要,直接影响特征提取、识别匹配的效果。在指静脉识别系统中提取指静脉图像的ROI较为经典的做法是通过Sobel、Canny等边缘检测算法得到手指的轮廓,再基于轮廓来切割出感兴趣区域,但Sobel、Canny边缘检测算法对噪声敏感,而指静脉图像中又包含很多设备背景噪声以及其它随机噪声,因此边缘检测的效果不够理想。为了能够鲁棒准确地提取出指静脉图像的感兴趣区域,本文做了如下工作:(1)本文提出了一种基于模板边缘检测的指静脉图像的感兴趣区域提取方法,它是利用模板边缘检测获取手指的粗糙边界,对于粗糙边界中存在错误的手指边界利用全连接神经网络对其拟合修复。该方法可以准确提取出低质量指静脉图像的手指边缘信息,进而切割出感兴趣区域。通过对比仿真实验,验证了该算法能准确提取出指静脉图像的感兴趣区域,并且大幅提高了指静脉识别系统的准确率。(2)指静脉数据集中存在若干图片由于曝光过度导致手指边缘与设备背景融合在一起,基于边缘检测的方法很难准确得到其边缘信息,因此本文提出了基于深度学习的指静脉图像感兴趣区域提取方法,利用深度学习领域经典的实例分割框架Mask-RCNN来检测指静脉图像中的目标,即手指。本文根据指静脉数据集自身的特征,对框架中RPN网络的锚框定义进行了重新设计,并在掩码预测分支添加了一个辅助损失函数,来帮助完成掩码的预测。实验结果表明,该方法能够准确提取出质量极差的指静脉图像的感兴趣区域,进一步提高了指静脉识别系统的精确度。