虹膜识别作为一种识别准确率较高的生物特征识别方法,已逐渐应用于不同环境下的个人身份认证和识别。在虹膜识别系统中,虹膜分割和识别是核心的部分。本文针对目前分割和识别中存在的问题,分别采用Bagging和Boosting方法对这两个问题进行了进一步研究,主要工作如下:(1)针对传统虹膜分割方法搜索范围较大,分割时间较长的问题,本文针对数据集提出基于Bagging的多数据集虹膜定位方法。首先使用Bagging方式生成虹膜数据的3个子数据集,在不同数据集上提取关键点的SIFT特征,使用SDM方法对当前点距离期望点的位置变换建立线性回归模型。定位时根据多SDM模型共同得到边界上关键点位置,最后对这些点采用加权最小二乘法对虹膜外边缘和上下眼睑边缘进行边界拟合,分割出虹膜外边缘。本文在CASIA-Iris-Lamp数据库上实验,虹膜分割准确率达到94.0%,相比微积分算子提高了 3.2%,比单一SDM方法提高了 0.9%。平均定位时间达到269.0ms,相比于微积分算子缩短了 11.8%。(2)为了突破单一特征对虹膜识别效果的瓶颈,本文提出使用Boosting中的XGBoost对22种虹膜特征进行融合。首先在归一化后的虹膜图像中分别采用2D Gabor和多峰差分滤波器提取不同参数下的22组虹膜特征,使用Hamming距离计算任意样本之间的特征距离。根据同类样本为正例,异类样本为反例的设定,将虹膜匹配问题转换为二分类问题,最后使用XGBoost对这22种特征进行融合并分类,得到虹膜识别结果。经实验,本文提出的方法在CASIA-Iris-Interval库上较原最好单一特征等误率下降4.6%,在CASIA-Iris-Lamp库上等误率下降5.92%,在MIR库和MMU数据库中分别下降2.37%和 4.25%。