数据被誉为“21世纪的石油和钻石矿”,数据的安全是网络空间安全的核心。而生物特征识别技术是有效保护数据安全的第一道关卡。人类的掌静脉信息具有其他生物特征不具备的活体性,从而得到各国政府和研究机构的高度重视。基于神经网络的机器学习和深度学习技术在模式识别领域取得了巨大的成功,也为研究如何提升现有掌静脉特征识别技术的性能提供了方式方法。为了能够在性能一般的办公计算机上使用神经网络进行掌静脉识别、加速掌静脉识别技术的普及和推广,本文以香港理工大学的手掌NIR图像库为实验数据,借助神经网络和机器学习技术,以神经网络结构为基础对掌静脉的特征提取和识别方法进行了研究。为了保证能够提取到更多掌静脉细节特征信息,提高识别的准确度,本论文在人脑视觉信息处理模型HMAX模型的基础上结合纹理增强算法和像素层融合算法提出了一种新的掌静脉特征提取算法,该算法的结构是一种类似于神经网络的层次结构。经过一系列的实验测试后,得出该特征提取算法比使用LBP和PCA提取掌静脉特征的识别准确度要高出三个百分点以上,能够达到96.83%。由于卷积神经网络能够提取出更加本质的掌静脉特征,同时会省掉部分预处理的过程,为进一步研究在卷积神经网络结构下掌静脉特征识别的准确度,本文在LeNet-5和AlexNet模型的基础上进行改进后得到了一种优化的卷积神经网络,用来进行掌静脉特征识别。经过一系列实验测试后,得出该优化后网络模型的识别率达到98.5%,比使用本文之前提出的掌静脉特征提取算法的识别率还要高1.3个百分点,证明了可以在性能一般的办公计算机上有效地利用卷积神经网络对掌静脉特征进行识别和分类,具备进一步推广应用的可能。