本文主要研究了一种新的生物特征识别技术——手背静脉识别，包括近红外手背静脉图像采集、图像预处理、基于自适应滤波的手背静脉图像增强算法、基于动态全局阈值的手背静脉分割算法、手背静脉特征提取方法、以及分类器的设计和系统实现。主要研究的内容如下:　　 近红外手背静脉成像原理。实验表明，人的手背在波长范围是0.72～1.10μm的光线的照射下，能够呈现出较好的血管结构，而处于该段波长范围的光线属于近红外光线。　　 图像预处理。设备采集到的图像不可避免的会受到设备本身或外界光线引起的噪声的污染，所以在进行识别之前对图像进行初步的预处理非常必要;由于我们感兴趣的是手背图像的静脉结构信息，而采集的手背静脉图像，既包含手背静脉信息，也包含手背皮肤和背景区域，所以需要进行感兴趣区域提取，即提取含主要静脉信息的手背区域;另外，由于手背皮肤色差以及外界光线的干扰，致使采集到的图像在灰度上存在着较大的差异，为了便于后期处理需要对图像进行灰度归一化，使图像具有统一的灰度和方差。　　 基于自适应滤波的手背静脉图像增强算法。基于Retinex理论，摄像机采集到的图像的颜色或灰度是由物体对光线的反射能力决定的，而与反射光强度，以及照射光线的均匀与否无关。因此基于自适应滤波的图像增强算法是为了从一幅图像中去除照射分量的干扰，从而获得物体的反射分量，即物体的本质特征。　　 动态全局阈值分割方法。虽然经过自适应滤波后，手背静脉得到了明显的增强，但同时也引入了噪声，而噪声一般来自手背皮肤区域，所以可以通过自适应阈值分割的方法去除手背皮肤部分的干扰，从而得到更清晰的静脉结构。　　 基于小波分解和平均绝对偏差的特征提取方法。本文对手背静脉图像经过小波分解后的子带图像进行了分析，发现低频子带图像适合作为手背静脉识别的特征，且能降低图像的维数;最后提出一种基于小波分解和平均绝对偏差相结合的特征提取方法，最终生成48维的特征向量。本文使用欧式距离分类算法对图像进行分类，实验结果表明，该方法对小范围内的平移、旋转和缩放不敏感，总识别率高达98.36％，其中误识率为0。　　 手背静脉识别系统的设计和实现。将手背静脉识别系统分为学习、测试、识别几个部分，学习是指对指定的手背静脉图像进行学习，并将学习结果进行存贮，作为以后测试和识别的参考数据库;测试是指对整个手背静脉识别系统的识别正确率进行测试;识别是指对于给定的某人的手背静脉，判定该手背静脉图像的所属分类，且具有拒识功能。本文最后在MATLAB7.6.0环境中设计了一套手背静脉认证系统，并对系统运行进行了测试，实验结果表明:每幅手背静脉图片的认证总时间都小于500毫秒，满足实际应用的要求。