一直以来,身份验证都被广泛应用在生活和工作的各个方面,随着计算机科学和硬件技术的发展,身份验证技术的应用场景变得更加复杂和多样化,传统身份验证技术受到了极大地挑战,逐渐朝着向电子化、智能化发展。人体的生物学特征取样自受试者,具有唯一性、稳定性、安全性、普遍性等天然优势,因此被优先考虑用于身份验证。截至目前,指纹识别、人脸识别已经在各种场合得到了广泛应用,但都存在着一定的缺陷。虹膜生物学特征在唯一性、稳定性、安全性方面可以弥补指纹和人脸特征的缺陷,是下一代基于生物学的身份验证技术的有力备选。近年来,深度学习技术在很多领域都表现出了最好的效果,尤其是在图像分类领域,已经出现了很多优秀的作品。本篇论文基于深度学习方法,研究其在虹膜识别系统中的应用。深度卷积神经网络目前是深度学习中图像分类的最优方法,因此本篇论文选择深度卷积神经网络用于虹膜特征提取和识别。然而,深度卷积神经网络容易受到轻微干扰的影响,抗噪能力差;并且需要大量样本进行训练,才能取得高准确率,因此在使用图像数据集训练网络之前,往往需要通过数据增强技术对数据集进行扩充。2014年,生成对抗网络被提出,逐渐发展成了深度学习三大模型之一。本篇论文基于深度学习方法,参考生成对抗网络的模型结构,提出了基于生成模型对图像数据集进行数据增强的深度学习虹膜识别方法,实现了一种可以对深度卷积虹膜分类网络进行二次提升训练的双网络模型:Enhance Deep Iris。模型由生成网络和分类网络两部分组成:生成网络提供数据增强能力,旨在扩充数据分布,为分类网络提供可靠的类内训练数据;分类网络提前在原始数据集上进行迁移预训练,达到收敛后再基于生成网络生成的增强数据进行二次训练,从而得到在测试集上泛化能力更好的提升分类模型。本篇论文选择了三个近几年在图像分类任务中出类拔萃的卷积神经网络的代表:VGG16,Res Net101和Dense Net121,来验证Enhance Deep Iris对深度学习分类网络的提升效果;选择国内两个经典虹膜库:CASIA-Iris-Thousand和JLU-V6.0,设计实验数据集进行实验;使用正确识别率（CRR）、等错率（EER）、受试者工作特征（ROC）曲线等评价指标。经过实验,与传统的数据增强方法训练的网络作对比,验证了经过Enhance Deep Iris提升训练的分类模型,在前述指标中,实现了更高的识别精度、更稳定的测试效果。经过提升训练的VGG16,Res Net101和Dense Net121三个分类模型在少样本、多类别的CASIA-Iris-Thousand数据集上分别达到94.97%、98.65%、98.88%的正确识别率,1.06%、0.63%、0.57%的等错率;在少样本、少类别的JLU-V6.0数据集上分别达到96.67%、99.82%、99.46%的正确识别率,1.63%、0.22%、0.18%的等错率。