随着人们信息安全意识的增强,生物特征识别技术已成为了身份认证的一种重要手段,其中指静脉认证以其独特的优势吸引了广泛的关注,指静脉识别技术也因此得到了快速的发展。但大多数基于人工设计特征的传统方法通常针对特定场景或数据集进行设计,在面对多种变化的场景如不同光照、不同手指旋转角度时,鲁棒性较差。为从指静脉图像中提取更具区分力的特征,本文决定引入深度学习方法,但由于现有公开指静脉数据集的实际特点:样本总数少,特别是类内样本更少,同时类内差异大而部分类间差异小,将深度学习应用到指静脉认证任务时面临着两个难点:如何设计适用于指静脉这一小样本任务的深度学习网络以及如何使网络具有对多种类型静脉变化的鲁棒性。本文基于这两个难点进行了深入研究,并给出了对应的解决策略,主要的工作和贡献如下:第一,数据集样本总数少,在训练时易发生过拟合,本文设计了线上数据扩增方法,采用几种能有效模拟真实采集场景中静脉变化的扩增方法,在训练过程中以一定概率随机地对原始数据进行扩增,增加了样本数量且保证了不同训练轮次间样本的多样性。第二,类内样本少,在认证任务中,组建样本对时会出现类别不平衡问题,本文按照1:1的比例构建类内和类间样本对,并提出了对齐合成样本的方法,将每个样本对处理为单个组合样本后直接作为网络的输入,在解决类别不平衡问题的同时,减轻了数据集中类内样本差异过大对网络性能的影响,且可有效利用整个深度网络的强大分类能力。第三,针对类内差异较大的指静脉认证任务,本文提出了一种二叉树结构的深度网络—深度树网络来进行特征提取和分类,主要由特征提取单元FEU、决策路由单元DRU以及分类决策单元CDU组合而成,其中,FEU负责提取特征,DRU负责决策样本在深度树网络中的流动路径,CDU在树状网络的叶子节点处用来最终决策样本的类别,同时针对深度树网络的学习目标,设计了三个损失函数:₁以PCA的方式来使数据以最大可分性的状态沿树节点往下划分,₂约束划分到不同子节点的样本响应值的差异尽量大,采用交叉熵分类损失来优化网络的分类精度。本文所提出的深度树网络模型大小为8.08MB,前向推理时间为3.631ms,在FV-USM、MMCBNU＿6000、SDUMLA-HMT数据集上分别取得了0.143%、0.123%、0.139%的等误率,实验结果充分证明了本文提出的方法具有良好的综合性能及较高的应用价值。