当今时代,随着身份识别方面的需求应用越来越多,如何准确快速的鉴定个人身份的同时,保护个人的信息安全,是当前必须解决的关键性问题之一。手背静脉识别技术,对身份信息的识别有着重要的意义,但是受图像采集环境、姿态等因素的影响,手背图像质量下降会引起识别率的降低。如何克服这些不利因素,进一步提高手背静脉识别的准确率,值得进行深入研究。本文的主要研究工作及创新性如下:1、提出了基于手背静脉图像分块互信息的识别方法,该方法充分利用了分块后各子图像块之间具有的关联性。首先通过计算分块图像的灰度共生矩阵和平均熵矩阵,得出最佳的图像分块数为20?20后,然后分别沿水平、垂直和八邻域方向遍历计算分块图像间的互信息特征向量。最后采用了欧式距离分类器证明了八邻域遍历法求得的互信息特征向量能够获得的识别率达到89.67%。2、在对单张图像进行分块特征提取时,采用基于横向遍历相邻分块的特征提取的方法,用VGG-16网络进行了分块特征的提取,得到了用来提取深度特征的手背静脉图像特征图,然后将卷积神经网络中提取到的特征输入到LSTM网络中,然后使用LSTM将数据集在时序上切割,以一个sequence为时间单元控制特征图的序列长度,将提取的图像特征输入到LSTM神经网络中,采用epoch的训练方式,每迭代1000次验证一次分类的效果,最后用了softmax分类器输出最终的预测结果,识别率提高到98%。3、提出了基于CNN-LSTM网络的手背静脉识别方法。依据编码原理将保留了手背静脉信息的灰度图分成8个位面图,每个位面图包含了不同的信息。根据每个位面图的图像质量,将位面图中效果最好的四张位面图形成一定顺序的图像序列,然后送入到LSTM中进行训练。通过充分学习图像序列间的内在关系,使得单设备的手背静脉识别率达到了99.5%。通过对单张图像进行分块形成图像序列后计算分块间的互信息,以及将单张图像分块特征序列和比特位面图像序列送入到深度学习网络中进行训练的方法,有利于进一步提高手背静脉识别系统的鲁棒性。