随着信息技术的快速发展,生物特征识别技术已经开始逐渐取代传统的安防身份认证技术,被广泛的应用于各类安防领域。手指静脉特征识别技术是生物特征识别技术的一项非常重要的组成部分,由于其活体检测、安全性高、不易伪造等特点受到学者们的广泛关注。传统识别方法对手指静脉图像采集时的变化较为敏感,鲁棒性较差;常见的线性检索算法会随着识别人数的增加识别速度大幅下降,而且大量指静脉特征模板的存储会对设备造成较大的压力。为了解决这些问题,本文提出了一种基于深度残差网络和离散哈希的手指静脉识别方法,其主要研究内容如下:（1）针对一般神经网络提取指静脉图像特征不够充分,深层神经网络容易出现网络退化的现象,提出使用改进的深度残差网络进行指静脉图像的特征提取。深度残差网络中采用预激活的残差模块,避免网络传递过程中的信息丢失;采用PRelu激活函数代替原有的Relu函数,使激活函数层中尽量减少非敏感区域信息的丢失,进而提高网络提取特征的能力。（2）针对使用传统softmax损失函数进行多分类训练存在模型泛化性能不好,提取的特征区分度不高,容易误识等情况,引入角边缘损失函数作为模型的代价函数,扩大不同手指的静脉图像类间差、缩小相同手指的静脉图像类内差,进而提高指静脉识别精度,增强模型的泛化性能。同时在手指静脉图像预处理阶段使用数据增强方法进一步扩大手指静脉图像集,增加可训练的手指静脉图像采集情况,从而提高指静脉识别的鲁棒性。（3）针对神经网络提取到的实值特征占用空间过大、检索速度较慢的问题,提出了采用监督式离散哈希算法对实值特征进行离散,极大的缩小了特征模板,采用哈明距离替代欧氏距离进行相似度度量,极大的提高了指静脉检索速度。为验证本文算法的有效性,文中设计了相应的实验,实验在MMCBNU₆000、FV-USM两个公开的手指静脉图像数据集上进行。实验结果表明,本文算法在手指静脉识别精度以及检索速度、模板尺寸等方面都取得了良好的效果。