在众多的生物特征中,手指静脉特征以其高安全性的优势吸引了人们的关注,在金融和安防等领域得到广泛应用。但是,不同的手指静脉采集设备存在成像方式、光源波长等方面的不同,导致采集到的图像在背景噪声和灰度水平存在较大差异,这给手指区域定位带来了困难。另外,采集的图像质量往往较差,还存在手指平面旋转、空间旋转等姿态变化。基于深度学习的方法虽然能较好地提取鲁棒的特征,但是公开的手指静脉数据库规模较小,这限制了深度模型的性能。而且,随着手指静脉系统的应用越来越广泛,手指静脉类别和数量快速增加,针对手指静脉图像的快速检索也成为研究的热点。本文针对这些问题开展研究,具有一定的理论意义和实用价值,具体的研究工作如下:1、提出一种基于分水岭(Watershed)的手指静脉图像感兴趣区域(Region of Interest,ROI)提取算法。本文首先使用分水岭方法对图像进行超像素分割,所分割的超像素边界对灰度变化和背景噪声等干扰具有一定的鲁棒性;然后定义跟踪规则提取手指边缘并根据中线的偏转角度进行校正;最后,截取手指的外切矩形并进行尺寸归一化作为ROI图像。实验表明,该算法能稳定地从不同设备采集的静脉图像中准确地提取ROI。2、提出一种结合多种策略的手指静脉识别算法。本文首先引入轻量神经网络Shuffle Net V2来构造一个基础模型,然后针对训练数据较少和ROI尺寸较小的特点,从模型的输入端、网络端和损失函数入手,组合多个策略来提高模型的效果,这些策略包括数据扩增、增大输出特征图、迁移学习、标签平滑和联合损失函数。实验表明,这些策略都能有效地提高模型的性能,通过组合多种策略,在SDUMLA-HMT、FV-USM和MMCBNU＿6000三个数据集上取得了当前最好的结果。3、提出一种基于深度哈希的手指静脉识别算法。本文首先结合深度监督哈希方法来构建手指静脉识别框架,在训练阶段约束神经网络的输出接近±1,在推断阶段通过输出的类二值特征和符号函数获得真二值特征,通过特征间的汉明距离来对手指静脉图像的相似度进行评价。实验表明,所提出的方法在存储、检索速度上有明显的优势,同时保证了较高的检索精度。