近些年来,基于手指的多模态特征识别逐渐成为身份鉴别领域的研究热点。然而,手指多模态特征识别的性能通常对光照变化和手指姿态变化较为敏感。因此,探索一种鲁棒的特征表达方法对提高手指多模态识别性能尤为重要。针对以上问题,本文提出了基于编码的多模态特征融合识别方法,主要研究以下内容:1)提出了基于加权交叉局部图结构的特征编码方法(SCW-LGS),用于指静脉识别。首先利用方向型Gabor滤波器对静脉图像进行增强。然后重点研究一种多方向编码算子获取Gabor特征编码图,充分表达周围邻域像素点间的位置信息和梯度信息。2)提出了基于特征编码的手指多模态融合识别方法。首先通过一组多通道Gabor滤波器增强手指三模态图像的方向特征。然后,利用改进后的编码方案提取特征编码图。最后,将特征编码图均匀划分为非重叠子块,计算所有子块的灰度直方图,将其串联成一组特征向量进行相似度匹配。3)提出了融合局部编码和卷积神经网络(LC-CNN)的特征提取方法。通过卷积滤波器对三种传统编码方法进行重构,再利用改进后的预训练CNN模型进一步提取手指三模态特征,并将提取到的特征向量输入支持向量机(SVM)中实现图像分类。在此基础上,利用两种融合策略实现多模态特征识别。通过实验验证所提出方法的识别性能。实验结果表明,本文提出的方法在识别准确率、运算效率方面均取得了较好的效果,能够有效解决手指姿态易变问题,提高手指三模态特征表达的鲁棒性。