生物特征识别技术是一种识别身份的认证技术,近年来发展迅速。指静脉识别作为生物特征识别的一种,具有唯一、不易复制、活体识别以及安全等级高等优良特性,越来越多的研究者开始对其关注。然而,在手指静脉识别中存在两个问题:第一,由于手指静脉图像的采集受多种因素的影响,采集到的图像不仅包含静脉特征,还含有手指边缘等无用信息,使得具有区分性信息的静脉特征很难被有效提取,从而导致识别精度的降低;第二,在很多情况下,为了保护用户隐私,采集系统的存储容量不是很大,导致训练集中的每个用户的训练样本较少,现有的静脉识别模型在这样的小样本数据库上往往容易出现过拟合现象或者很难得到充分地训练,所以识别性能大大降低。因此,基于小样本数据的指静脉特征识别仍然面临着严峻的挑战。本文基于卷积神经网络（CNN）模型,对传统模型进行优化改进,应用于指静脉识别任务中,主要研究内容如下:（1）使用指静脉采集设备得到的手指静脉图像包含有设备背景或者手指边缘等无用信息,对后续静脉特征提取产生较大的影响,本文首先获取手指边缘轮廓,通过中线拟合、旋转矫正和边缘矫正的方法截取手指内切区域,根据水平亮度的变化趋势截取到感兴趣区域,对采集到的无用信息予以剔除,获得更具有区分性的静脉纹路特征,同时为了防止后续实验的过拟合性,对指静脉数据集进行增强。（2）提出一种基于双通道卷积神经网络的指静脉识别方法。分析传统的AlexNet网络并对其进行改进,使用有上下两个网络的双通道结构,并设置不同大小的卷积核和不同的卷积层数对输入图像的指静脉纹路特征进行提取,两个网络都使用全连接层进行融合,最后在分类器上进行分类识别。使用本文提出的双通道模型在FV-USM库和SDUMLA-HMT库上分别达到了 98.90%和87.25%的准确率。说明提出的双通道网络比单通道网络提取的指静脉特征更加充分,同时双通道模型结构更加简单,网络训练速度更快。（3）提出一种基于迁移学习的卷积神经网络的指静脉识别方法。通过分析VGGNet-16网络和SqueezeNet网络的结构和参数,对模型进行改进,并将这两个模型迁移到手指静脉识别的任务中,最后两个网络在SDUMLA-HMT库上的准确率分别为96.56%和96.83%,有效解决了原模型对硬件要求高、小样本数据量有限、模型训练过程中容易产生过拟合的问题。