指关节纹识别是当今社会一类新兴的生物特征识别技术,该生物特征由个体基因所决定,存在个体差异性,可用于身份识别技术中。与常见的指纹识别相比,指关节纹特征不像指纹一样易于磨损、出汗潮湿,且在日常生活中不像指纹一样到处留下接触痕迹,提高了该生物特征的安全性。与其它生物特征相比,指关节纹特征具有表现稳定、便于采集、易与手形其它特征进行融合,且相比于人脸、声音等生物特征涉及隐私较小,人们更易于接受,指关节纹生物特征识别技术表现出良好的发展前景。本文采用开源的HKPU-FKP指关节纹数据集,针对传统机器学习算法特征提取繁琐且普遍存在特征单一,识别准确率低的问题,本文采用能够自行提取图像特征的卷积神经网络模型,来对指关节纹识别分类的任务进行研究,主要内容如下:(1)对指关节纹图像进行预处理,包括感兴趣区域ROI的提取,数据集的扩充,直方图均衡化等操作,减小了输入数据的大小,缩短了训练时间,有利于纹理特征的提取和对网络过拟合的抑制作用。(2)设计并搭建了一个9层的卷积神经网络模型,并对网络模型进行编译、训练后,分析出网络的过拟合现象严重,并针对过拟合,提出了优化网络结构的方案,在原先网络模型的基础上,添加dropout层、L2正则化、批标准化层等操作,优化了网络结构,并通过实验结果分析,过拟合现象得到明显改善,并提高了网络模型在测试集上的识别准确率,增强了网络的泛化能力。(3)针对于指关节纹属于小型数据集的特点,没有使用扩充后的数据集,而是采用了适合小型数据集的迁移学习方案,使用在Image Net数据集上预训练好的Vgg-16网络,对指关节纹数据集进行迁移学习,并对预训练网络的部分层解冻与分类器进行联合训练。预训练网络模型通过微调优化后,更加适应了本次的识别分类任务,提高了预训练网络的移植性,使得该网络模型在测试集上的识别准确率可以进一步上升,增强了预训练网络在本次任务上的泛化能力。