由于移动虹膜图像清晰度较差,纹理损失严重,传统虹膜识别算法无法达到预期的性能。为了解决这一问题,本文以包含更多信息的眼周识别作为主体,提出融合眼周特征和虹膜特征的移动终端眼周识别算法。本文主要工作如下:首先,对传统移动端虹膜识别算法进行改进,提出基于特征融合的移动终端虹膜识别算法。通过大量调参,寻找互补的2D Gabor特征和OM特征。通过联合贝叶斯分类算法将二者融合,输出两张虹膜图像是否为同一类的似然比得分。在训练集测试集样本比例为9:1的情况下,此方法在MIR-Train测试集上达到1.2%的等误,提升了算法的分类能力。同时,在移动终端眼周识别方面,对轻量级神经网络Mobile v2进行优化,提出FMSE加权模块,减少反残差模块的特征冗余,提升其特征表达能力。使用Focal loss对难例样本进行挖掘,进一步提升网络分类能力。在MIR-Train数据集上,FMSE模块提升了 1.2%的等误,Focal loss提升了 0.77%的等误,且两种优化方法表现出了一定的互补性。为证明本身方法的有效性,使用优化后模型在UBIPR数据集上进行对比实验。本文方法在UBIPR数据集上双目识别达到2.47%的等误,超越现有方法较多。限于移动终端对算法模型大小的要求,对优化后的模型进行量化。同时对现有模型压缩算法进行改进,提出基于行索引相对位置存储的模型压缩算法。压缩后模型从原始的11.15M减少到1.90M,在MIR-Train和UBIPR数据集上等误分别只增加了 0.77%和0.22%,在UBIPR数据集上双目识别等误率达到2.69%。最终,提出融合虹膜特征和眼周特征的移动终端眼周识别算法。分别提取虹膜展开图象的2D Gabor特征和眼周区域的FMSEMobilev2深度特征。其中2D Gabor特征模拟浅层网络特征,同眼周的深层网络特征融合,实现特征互补,采用联合贝叶斯对融合特征进行分类。当训练集测试集样本比例为5:2时,总体方法在MIR-Train 的测试集上双目识别达到 1.83%的等误。