在信息和智能化程度极高的大数据时代,个人身份信息的安全性面临着越来越多的挑战,传统的个人身份识别技术已无法完全满足当前社会对信息安全的需求,因此,我们需寻求新的解决方案来提高个人身份信息的安全性。近年来深度学习在各研究领域均实现了新的突破,而深度学习算法在唇纹识别相关研究中鲜有应用,探索与研究适用于唇纹识别的网络模型,对个人身份识别验证技术具有重要意义。本文引入深度学习算法进行唇纹识别算法研究,首先建立唇纹数据集,提出基于卷积神经网络的唇纹识别算法,开展大规模的模型性能评估实验,初步实现了深度学习算法在唇纹识别领域的应用。然后进一步优化改进Mobile Net V2网络模型,提出融合注意力机制和分组式多尺度特征模块以提升模型的识别效率,设计并实现了基于唇纹特征的自动化身份识别验证系统。本文的主要工作和创新总结如下:（1）提出基于卷积神经网络的唇纹图像分类识别算法,唇纹图像识别任务中数据集的采集与预处理过程尤为重要,需尽可能的减少人为因素的影响。综合考虑拍摄环境条件、拍摄角度和噪声等影响因素,采用非接触式采集获取图像,并进行简单的预处理和数据集扩充,建立了60人共18000张包含多角度、不完整和包含噪声的唇纹数据集。并使用该数据集进行了大规模的卷积神经网络模型识别性能评估实验,针对学习率、网络深度和不同网络模型进行模型训练、验证与测试实验。分析实验结果得出相比于其他模型,Mobile Net V2模型在唇纹识别上获得96.91%的识别准确率,证明所提识别算法的有效性。（2）提出融合注意力机制和分组式多尺度特征模块的唇纹识别算法,探索唇纹识别任务中基于模型迁移的小样本学习策略,以解决唇纹图像识别中纹理特征提取困难、识别率待提升和训练样本有限等问题。在Mobile Net V2网络的基础上,嵌入融合注意力机制增加模型的特征表达能力,使网络更加关注唇纹的纹理细节信息,抑制无关的干扰信息。设计分组式多尺度特征融合模块增加网络对不同尺度信息的适应性,有效的利用低维特征信息增强了网络对于纹理信息的提取能力,提升网络的泛化能力和识别准确率。改进后的网络模型在识别准确率和平均识别精度上分别提升了1.65%和1.73%,并在保证识别精度的同时进一步压缩了模型的参数量。（3）使用Python语言开发的Py Qt5开发工具设计和实现基于唇纹特征的自动化身份识别验证系统,编写槽函数实现系统中的各类功能模块界面设计,加载已训练好的唇纹识别模型进行实时识别个人身份信息,输出待识别个体的ID和识别率。经过系统功能测试,在多张图像测试中均获得了98%以上的识别率,实现了以唇纹特征信息的个人身份实时识别验证,具有一定程度的实际应用价值。