基于生物特征识别技术的身份认证是信息化发展和经济全球化的要求,也是政府和商业领域迫切需求的重要技术之一。在生物特征中,虹膜的结构对于个体是独特的,并且随着年龄的增长依然表现稳定。通过虹膜进行身份认证被认为是有意义有前途的。最早将虹膜识别作为个人身份识别的应用可以追溯到巴黎刑罚系统中,通过目视并检查犯人的虹膜,尤其是虹膜的颜色来区分犯人。近年来,虹膜识别得到越来越多的学者的关注。本文结合深度学习算法,实现通过虹膜图像对性别进行预测,主要研究内容如下:在采集到的原始虹膜图像中,存在睫毛、眼睑等对虹膜区域的遮挡问题,为了减少其在提取虹膜特征时的干扰,首先对虹膜图像进行分割处理。本文提出基于轮廓匹配和多项式拟合的传统虹膜分割方法以及基于改进U-Net的虹膜图像深度学习分割方法。基于轮廓匹配和多项式拟合的虹膜分割方法中,首先将虹膜图像分为理想型和非理想型;然后对理想型虹膜图像和非理想型虹膜图像均使用圆形滤波器检测出虹膜的圆形边界,由此完成理想型虹膜分割;针对非理想型虹膜图像,在检测出带有遮挡的圆形虹膜边界后,采用多项式拟合的方法去除遮挡虹膜的部分,最终得到非理想型虹膜。该方法的虹膜图像分割准确率为93.65%。基于改进U-Net的虹膜图像分割方法中,在原始U-Net网络的基础上,加入空洞卷积对其进行改进,首先提出了四种可行性方案PD-Unet1、PD-Unet2、PD-Unet3以及FD-Unet;然后将这四种可行性方案在同一个虹膜数据集上进行训练并测试,得出了表现最优、分割结果最好的分割网络FD-Unet;之后将该网络与原U-Net网络在近红外数据集CASIA-4i、ND-IRIS-0405和可见光数据集UBIRIS v2上进行训练并测试,进一步验证FD-Unet网络的良好性能。所提出的FD-Unet网络的虹膜图像分割方法准确率达到97.36%。在对虹膜图像进行分割处理后,用于通过虹膜图像进行性别预测。本文提出基于纹理特征与深度学习的方法对虹膜图像进行性别预测。首先将分割后的虹膜图像运用局部二值模式提取虹膜的纹理特征;其次搭建一个具有两级网络结构的神经网络,第一级网络设置8层,将空洞卷积和无填充卷积交替设置,能够提取更多的虹膜特征,并将第一级网络的输出和用局部二值模式提取的虹膜纹理特征图共同作为第二级网络的输入,第二级网络为Resnet-34,通过该网络的学习训练最终达到性别预测的结果。本文提出的方法预测男性和女性的准确率达到96.5%。通过与其他文献提出的虹膜分割算法和虹膜图像性别预测的算法进行比较,本文提出的方法均有良好的表现,可以为虹膜识别技术的进一步多场景应用提供有效的支撑。