虹膜识别因其具有唯一性、稳定性、非接触性、高防伪性和可靠性等特点,越来越受到学术界以及工程界的关注。随着虹膜识别研究的深入,虹膜识别产品也逐渐应用在安保系统、门禁系统、签到系统等不同等级安全领域中,在生物特征识别领域内,逐渐成为指纹识别和人脸识别之后最被接受和认可的身份识别技术。虹膜识别一般包括图像采集、预处理、特征提取及识别等步骤,其中预处理包括虹膜质量评价、虹膜定位、虹膜归一化与增强。在预处理过程中,受限于用户的配合程度和外部环境影响,采集的图像会由发生运动或离焦模糊,外部的光照以及用户眼睑等因素会对虹膜图像的质量造成影响。随着深度学习技术的发展,其应用已经涉及到众多领域,在计算机视觉方面,如分类任务、聚类任务、图像分割任务等方面都引发了全面的变革,极大的提升了各领域的应用性能,语义分割作为图像分割领域中的热点研究,在医疗图像、自动驾驶等领域得到了充分应用。在虹膜图像预处理方面,本文使用语义分割技术来解决虹膜分割问题,提出融入残差模块和注意力机制的编码器-解码器网络REDA-Net。残差模块是将网络下采样过程即图像编码过程中前一层的特征和当前特征进行融合,即将具有丰富空间信息的浅层和具有语义信息的深层特征进行融合,提升特征的表达能力,而注意力机制的引入则是指导模型学习哪些特征是重要的,在解码阶段更容易捕获边界信息使得掩码生成更接近于虹膜区域的真实边界。然后通过提取虹膜区域的语义信息,将虹膜区域从虹膜图像中分离出来,产生虹膜掩码,并通过掩码信息对虹膜进行定位、虹膜区域有效性进行判断。在虹膜识别算法方面,传统的虹膜识别算法对于图片质量要求严苛或者特征提取工具需要跨库参数调整,无法描述数据的分布状况,而现下的趋势是在大量数据中学习数据的分布。本文通过构建深度神经网络模型来实现虹膜识别任务,使用基于ResNeXt网络模型的残差结构用来提取虹膜特征,其采用与Inception模块类似的分离-转换-合并策略。这种分组策略可以使得虹膜特征被分配到不同的子空间学习不同的特征表示,不同层次的特征更加有利于虹膜丰富的纹理信息提取,模型训练时使用Softmax损失同时引入center loss损失函数约束类内距离。在识别阶段通过计算输入待识别虹膜图像与已有虹膜库中某类虹膜图像在网络全连接层中的最后一层的特征向量之间的欧氏距离,并使之与设置阈值相比较来判定虹膜是否属于该类别。本文使用JLU-V4.0虹膜数据集的部分数据与现有语义分割算法在mPA和mIoU两个指标上进行比较,并进行实验分析,证明了本文提出的REDA-Net模型的可用性。在识别实验方面,本文在JLU-V4.0和JLU-V5.0虹膜数据集上与传统的虹膜识别方法和其他已有的深度学习模型方法比较,实验结果表明本文提出的识别方法具有更加优良的性能。