在当今信息时代,越来越多的生物特征被用于社会事物中。指纹是常用的生物特征之一,具有高度的区分性和唯一性,它只有一小块皮肤,但能提供的用于识别的信息相当大。且相较于其他生物特征如人脸,指纹具有永久性,不会随着年龄的增长而有改变,故指纹识别技术成为了目前生活中人类身份验证最常用的生物鉴定技术,为司法刑侦、身份核对、设备解锁等社会事务提供了极大的便利。而近些年来,随着指纹采集设备和指纹匹配需求的提升,传统的低级别指纹特征的效果难以达到可观的效果。为了达到更高的准确率,我们使用指纹特征中最细微的汗孔特征来进行匹配研究。然而,汗孔特征在提取和匹配中,仍然面临着一些问题和挑战。本文即是针对已有的基于汗孔匹配方法中所存在的问题进行改进,以达到更好的效果。首先,在提取汗孔的方法上,为了能更好地适应汗孔的形状大小等,本文提出了采用深度学习和传统图像处理相结合的方法去检测汗孔。该方法先对图像中可能存在汗孔的地方进行一个预检测,随后采用训练好的卷积神经网络CNNs(Convolutional Neural Networks)模型对这些位置进行判别,最后采用形态学处理的方法对结果进行去伪,经过这一系列的操作,我们能保证该方法能提供较高的查全率的同时,也能保持低的误检率。实验结果同时表明,我们的方法对具有不同灰度和对比度的指纹图像具有更好的鲁棒性。然后,在汗孔的使用上,本文提出了一个“有特色的”汗孔(distinctive pore)概念。这些汗孔位于指纹图像中的一、二级特征点周围,相较于其余汗孔,我们相信这些汗孔具有更特殊的判别性,即在已有的方法中,仅使用这些汗孔来代替原来的所有汗孔进行匹配。如此一来,由于大大减少了汗孔的数量,使得匹配时间得到了大大缩短。同时,由于去除了无关汗孔的干扰,也会避免由于部分区域重叠而导致的错误接收。实验结果表明,使用我们的“有特色的”汗孔,能够在提升匹配精准度的同时,也大幅降低匹配的时间和计算量。最后,在匹配汗孔上,我们使用一个由粗到细(coarse-to-fine)匹配步骤,其中使用CNNs生成汗孔表示DeepPoreID,并用于后面的匹配。在生成汗孔表示时,我们首先使用足够数量的不同的汗孔以分类任务训练网络,随后使用其网络的全连接层值作为我们的汗孔表示向量。与人脸中经典的DeepId系列方法一样,我们意在生成有区分度的向量,对相似的图片产生更相似的向量,即向量的空间距离更为接近,欧式距离小,反之而大。由于CNNs模型具有强大的学习能力,在足够多的样本训练下,能生成比传统方法更鲁棒、更有效的表示向量。我们的实验结果充分表现了我们的DeepPoreID对灰度、对比度、旋转、扭曲形变均有较好的鲁棒性。如此一来,我们的方法能够很好地适应于因局部形变而导致看似不像的正样本对和因局部脊线流向相似而导致看似相像的负样本对,从而最终提升匹配准确度,对于重叠面积较小的指纹图像有比较明显的提升效果。