随着信息技术的发展,身份识别成为一个重要研究领域,其中掌纹识别作为一种新兴的生物特征识别技术引起广泛关注。然而,掌纹是一种三维的生物特征,目前主流的二维掌纹识别在采集、识别等存在许多问题。为了克服二维掌纹识别存在的问题,充分利用掌纹三维信息,本文提出了一种基于深度学习的三维掌纹识别方法。该方法充分利用大数据的优势,通过卷积神经网络（Convolutional Neural Networks,CNN）代替传统方法中使用的滤波器与分类器,使得网络学习到图像更具有区分性的特征,并据此直接输出图像类别。相较于传统方法,所提方法在提高识别精度的同时也提高了识别速度。本文主要研究内容如下:（1）提出了一种基于改进LeNet5网络的三维掌纹识别方法,解决了传统三维掌纹识别方法中识别精度低和识别速度慢的缺点。该方法首先对以点云形式存储的三维掌纹数据进行二维化的特征表示,利用基于曲率的二维灰度特征图表示三维掌纹信息,以解决CNN在处理点云数据时因“点云对齐”操作带来的计算复杂度提高的问题。其次,选择结构简洁的LeNet5网络并针对其出现的“过拟合”问题,对该网络进行一系列改进以提升网络的泛化能力。最后,通过改进后的LeNet5网络对处理后的三维掌纹数据进行训练与测试。实验结果证明,在公开的数据集下,所提方法相比传统方法有更高的识别精度和更快的识别速度。（2）提出了一种基于超分辨率测试实验室（Visual Geometry Group,VGG）设计的VGG16网络迁移三维掌纹识别方法,解决了小样本三维掌纹数据集在CNN处理时因增加网络深度而带来的“过拟合”加重的问题。该方法利用在大样本数据集下已训练完成且测试集表现效果出色的VGG16预训练网络,对预训练网络进行知识迁移。将预训练网络浅层网络参数共享至三维掌纹数据集下,使三维掌纹数据集仅针对可提取到具有图像区分性特征的深层网络进行训练,以提升最终的识别精度。实验结果证明,在公开的数据集下,所提方法相较于改进LeNet5网络的三维掌纹识别方法,具有更高的测试集识别率。本文通过深度学习的方法解决了传统三维掌纹识别技术中识别速度低的问题,通过迁移学习的方法解决了在处理小样本数据集时因深度学习网络加深导致的“过拟合”问题。实验结果表明,所提方法可快速、精准地完成三维掌纹识别,能够为掌纹识别发展提供可靠的方法和技术路线。