日新月异的科技进步给社会生活带来极大便利,互联网的日益壮大使信息交流迅速而广泛;与此同时,人们对准确地认证个人身份、确保信息安全提出了新的要求。生物识别技术,一种以人的固有特征(生理的或行为的)作为识别对象的新一代身份识别技术,因其高安全性而被广泛应用。目前,手指静脉识别技术作为第二代生物特征识别技术,克服了指纹识别、手形识别等手部特征的诸多缺点,已经引起许多研究人员的重视。本文重点研究手指静脉识别的感兴趣区域获取及特征提取算法,并设计出一套完整的手指静脉识别系统。首先对采集到的手指静脉图像进行灰度转换及灰度归一化操作,减少存储空间;然后对比分析几种全局阈值分割算法,提出基于列像素方向的最大类间方差法,并进行去噪处理,提取出完整的手指区域。为了克服图像采集过程中存在的旋转、平移等非线性因素影响,本文提出一种基于旋转校正的非接触式指静脉图像感兴趣区域提取方法。通过拟合手指中线进而确定手指的偏转角度并进行旋转校正;利用手指指尖圆弧的直径进行定位,寻找指定宽度内的手指最大内切矩形作为指静脉图像的感兴趣区域,最后进行尺寸归一化。本文对比了完整手指区域与感兴趣区域的识别性能,实验表明采用本文算法提取的指静脉感兴趣区域具有良好的鲁棒性并且能明显提高识别率。非负矩阵分解是一种新的图像矩阵分解方法,除了实现数据降维外,由于在分解过程添加非负约束,使得分解结果也满足非负性,可以得到原始数据的局部表征。在本研究所以往指静脉识别技术的基础上,本文将指静脉训练集图像转化为列向量矩阵,然后进行非负矩阵分解得到特征基图像,从而提取任一手指静脉图像的局部特征。在传统的非负矩阵分解理论基础上,对两种非负稀疏矩阵分解算法做了深入研究,并将它们用于手指静脉特征的分析,提取出静脉代数特征。从特征基图像、收敛速度、验证精度和辨识精度等方面对比,得出了非负矩阵分解稀疏约束算法效果最好的结论。为了克服非负矩阵分解稀疏约束算法中训练时间过长的问题,本文继续研究基于二维图像进行两次分解的二维非负矩阵分解算法。该方法中分解的对象是原始二维图像,保留了完整的结构信息,且图像向量化过程的避免使得数据维数得到控制,所以大大降低了运算复杂度,缩短了训练时间,同时实验表明识别率也有所提高。进一步地,对二维非负矩阵分解进行改进,提出了两次分解互不干扰的并行二维非负矩阵分解和基于原始图像对角化和特征基矩阵正交化的并行二维非负矩阵分解,实验证明,这三种方法在收敛速度、验证精度和辨识精度等方面都优于一维的非负矩阵集分解算法,具有更好的应用推广价值。本文最后,构建手指静脉识别系统,验证本文提出的各种算法的识别性能。实验结果表明,本文提出的算法不仅保证了较快的收敛速度,而且训练时间明显缩短,识别率也有所提高。