随着社会发展,特别是新冠肺炎疫情,非接触式的生物模式识别的研究和应用被愈发重视,而虹膜识别早已被公认为是最安全和最有前景的生物识别方式之一。目前的虹膜识别技术仅能对近红外虹膜图像识别,现实生活中采集的巨量可见光虹膜图像无法被使用,交叉光谱虹膜图像特征融合和匹配是目前迫切需要解决的问题之一。同时,繁杂的虹膜识别流程将会花费巨大的计算资源,进而放大流程中产生的误差,简化识别流程并增加识别算法的鲁棒性是目前需要解决的另一个问题。因此,本文工作和贡献如下:首先,本文提出了一种局部端到端密集深度卷积神经网络（DDNet）用于虹膜识别。DDNet采用了更深层次的网络结构,并将分割后的图像作为输入图像,无需进行预处理或其他传统的图像处理技术。在两个公开可用的CASIA-V3-Interval和IITD数据集上重新标注了带有睫毛区域并生成对应的掩模,进行消融实验分析了睫毛的影响以及提出的网络结构的有效性。实验结果表明,DDNet在不同参数下具有适应性和鲁棒性,并且在大多数现有算法上均具有出色的性能。其次,在DDNet的基础上,本文进一步提出了一个基于注意力机制的无分割的网络（NSNet）,通过赋予网络通道注意力和特征重用加强网络的鲁棒性和准确性,在保持先进的网络性能的同时,NSNet仅使用了31个卷积层完成无分割虹膜识别框架的虹膜特征提取和识别任务。本文提出了一个完全端到端的无分割虹膜识别框架,不进行虹膜分割和归一化处理,将原始图像直接进行特征提取和识别,且获得了优于其他方法的性能。在实验中,本文使用了统一的参数设置,在公开可用的四个数据集上,所提出的方法始终优于最先进的几种方法,同时进行一系列消融实验进行验证和讨论,实验结果表明,提出的框架具有更高的准确性、泛化性和鲁棒性。最后,本文提出一种稠密的激励挤压网络（DSENet）用于特征提取,使用实值特征模板进行跨光谱虹膜匹配。DSENet是基于注意力机制的深度卷积神经网络,一方面使用BN-Relu-Conv1×1结构增加网络的非线性结构,通过稠密连接反复利用特征,有效防止过拟合,另一方面使用提出的DSE结构,学习各个特征通道之间的联系并赋予注意力值,提取出更准确更稳定的特征。再使用全局平均池化结合全连接层和softmax的结构得到紧凑并且归一化的实值特征模板,有效减少虹膜模板大小。同时,本文提出一种基于DSENet的端到端跨域虹膜识别框架,将跨域匹配问题转换为多对一的分类的问题。使用公开可用的一个跨传感器虹膜数据集和一个跨光谱虹膜数据集进行实验,这些实验结果表明,所提出的基于DSENet的实值特征匹配方法优于现有的跨域虹膜匹配方法,而提出的端到端的DSENet具有更优秀的匹配精度,且具有较强的鲁棒性。