当今,随着科技的进步以及无现金社会的日趋临近,个人的身份认证与隐私安全问题已经变得越来越重要,越来越多基于生物特征的识别技术开始进入我们的生活。近年来,学术界提出了基于体内生物特征进行识别,且随着红外成像技术、模式识别以及人工智能等相关技术日趋成熟,使得利用人体内生物特征指静脉作为认证特征成为可能。目前,手指静脉识别技术的常规方法是基于图像特征的方法,其主要思路是通过提取整体图像的特征或静脉纹路的特征。由于基于对指静脉整体图像获取的特征存在大量的冗余数据,导致时间复杂度高,而对静脉纹路提取的特征受图像分割算法影响较大。为了提高指静脉识别算法在小样本下的准确率,本文提出了基于深度信念网络和卷积神经网络的指静脉识别算法。首先,本文从理论角度对文中涉及的一些机器学习理论,包括深度置信念网络、卷积神经网络等进行了概述;其次,分别从研究动机、实验步骤以及结果分析,深入描述了本文两种新的指静脉识别方法:基于深度学习与改进Gabor特征融合的指静脉识别方法和基于改进卷积神经网络的指静脉识别方法;最后,对本文各项工作安排作了总结,并对未来研究重点进行了阐述。基于深度学习与改进Gabor特征融合的指静脉识别算法:首先对传统Gabor滤波器进行改进,使其具有曲率响应能力,然后使用均匀LBP算子进一步处理得到融合特征,最后将融合特征信息输入到深度信念网络(Deep Belief Network,DBN)进行静脉图像识别。基于改进卷积神经网络的指静脉识别算法:该方法首先通过增加卷积层数提高网络提取特征的能力,并使用改进的激活函数,提高网络非线性能力;其次,利用改进的池化模型在保留有效特征的情况下,降低网络特征维度,最后在反向传播调整权值时,引入Fisher判别信息作为约束条件。通过在天津指静脉库和马来西亚理科大学指静脉库(FV-USM)进行实验表明,本文所提出的指静脉识别方法准确率都优于传统经典算法,具有良好的识别性能和应用价值。