生物识别是指通过计算机与光学、声学、生物传感器和生物统计学原理等高科技手段密切结合,用数理统计方法对生物特征进行分析来区分生物体个体的技术。人耳识别就是其中一个重要的分支。由于人耳其独特的结构特点和其所在的人体位置,其理论和应用研究近年来受到越来越多的国内外研究人员的关注。卷积神经网络是一种广泛运用于生物识别领域的深度学习技术,其需要大量数据来训练神经网络才能取得准确的识别率,但是人耳领域目前缺乏大规模的公有数据集。本文基于前沿的小样本学习技术,利用深度学习框架TensorFlow设计卷积神经网络来进行人耳识别研究,提升了人耳识别的准确率与鲁棒性,并实现了相关应用实例。主要研究内容如下:(1)设计了基于卷积神经网络的人耳识别模型。介绍并分析了卷积神经网络的结构特点,对网络模型进行逐层设计,并对激活函数和dropout正则化进行了优化,给出了整个网络模型的流程总结。(2)提出了基于元学习算法进行小样本学习的人耳识别方法。使用TensorFlow框架搭建人耳识别网络并进行训练,通过实验得到了学习率最优取值区间以及dropout概率值最优值。实验结果表明了该方法具有比基于迁移学习的微调网络方法更好的准确率和鲁棒性。(3)实现了基于小样本学习的人耳识别应用实例。对应用整体结构进行了设计,对其中身份信息收集模块、人耳图像预处理模块、人耳图像识别模块和人耳图像识别结果处理模块进行了详细设计和实现,做了相关性能测试。