生物特征识别已经成为认证系统中应用最广泛的技术之一。随着云技术的发展和推广,越来越多的生物识别系统采用数据库外包的方式来高效存储大规模图像数据库。由于生物特征数据的唯一性和持久性,一旦泄露,攻击者可以很容易地访问用户设备或获取用户的敏感文件和财产。因此,用于保护生物特征数据的隐私保持的生物特征识别应运而生。哈希二值表示由于其输入为高维实值域,输出为低维二值域被认为是一种安全的转化方式,广泛地应用于隐私保持的生物特征识别系统。为了保证识别准确,哈希空间中的相似性往往与原始空间的相似性保持一致。然而,正是由于该相似性保持性质,哈希方法往往难以经受基于相似性保持的反向重构攻击（即,相似性攻击）,这种反向重构攻击能够快速重构生物特征,且重构的生物特征可以被生物特征识别系统成功地识别为目标对象。为了解决该安全隐患,本文提出了一种安全的抗相似性攻击的哈希方法（Anti-similarity-attack Hashing,ASAH）。本文主要工作及贡献如下:1)从概率角度分析了相似性攻击之所以对相似性保持的哈希攻击有效的本质机理,并推导出哈希方法抗相似性攻击的充分条件,进而给出了ASAH流形的定义。接着基于统计流形提出了一个ASAH的通用理论框架,用于在给定哈希函数族的情况下寻找同时具有可用性和抗相似性攻击能力的安全哈希函数。本文分析出该安全哈希函数是在哈希族流形上离ASAH流形最近的点,并提出用于找到该最近点的类似广义最大期望值的优化方法。2)基于随机生成和生成对抗网络,提出了具体的ASAH实现方案,该方案通过随机生成的方式构建理想的ASAH子流形,进而得到理想哈希码,并采用生成对抗网络框架生成分布与理想哈希码接近的高质量哈希码。通过这个实现方案,理想的ASAH子流形可以被快速有效地构建,且能被进一步拓展应用于可撤销生物模板保护系统之中;同时,本文的哈希码生成框架可以在无显式概率假设的情况下,生成有效拟合理想流形分布的哈希码。3)鉴于现如今度量哈希方法抗相似性攻击能力的指标仅从全局的角度度量原始输入空间的相似性在哈希空间中的泄露程度的问题,提出了一个可以综合度量任意哈希方法对相似性攻击防御能力的通用指标。该指标是基于本文基于所提出分数函数,从全局与局部的角度度量不同用户在输入空间与哈希空间的相似性关系的不可链接性。其中,分数函数是基于统计流形设计的,它利用一个中间介质以避免哈希空间和生物特征空间度量歧义。在公共的生物特征数据集上的对比实验结果证明了本文提出的抗相似性攻击的哈希方法可以在保证生物特征识别高准确率的同时对相似性攻击具有较强的防御能力。除此之外,本文所提出的方法当被拓展应用于可撤销生物模板保护系统之中时,同样满足可撤销性,可识别性,不可逆性,不可链接性。