生物信息特征识别是身份认证和身份识别领域的热门技术。因为虹膜识别技术具有较高的安全性、稳定性、唯一性和防伪性等优点,在众多生物特征识别技术中脱颖而出,成为了人们关注的焦点。虹膜识别技术包括两个部分,虹膜前期预处理和虹膜特征提取与识别。前期预处理包括,虹膜图像采集、虹膜图像质量评价、虹膜定位、虹膜归一化与增强。后期部分包括,虹膜特征信息提取和虹膜特征识别。本篇论文针对虹膜特征提取与识别问题,提出一种基于深度学习的适用于虹膜特征提取与识别的网络模型---DenseIris Net。下面通过虹膜特征提取、虹膜特征识别、实验分析等方面简单介绍本文工作内容:1,虹膜特征提取阶段,提出基于DenseNet的网络模型结构。针对模型结构DenseBlock模块中提取虹膜图像特征感受野区域大小受限问题,对其模型结构进行改进。在模型结构中加入Inception多分支结构体,该结构体是由不同尺度的卷积核组合,最后再将不同支路的特征进行特征融合。在此模型结构的深度上,利用虹膜特征重用思想,可以提取每一层重要的特征信息依次传入下一层网络。在此模型结构的宽度上,相比于常规的卷积操作,该结构是由多条支路组合而成,使其虹膜特征可以通过不同尺度的卷积核提取到更丰富的特征纹理想信息,扩大了提取虹膜特征信息量的尺度,减少了模型参数量和计算成本。2,虹膜识别阶段,采用Euclidean距离匹配算法。将本文提出的DenseIris Net网络模型在虹膜数据集上进行训练,通过学习训练完成后的网络模型可以自动提取虹膜特征信息并且生成特征编码。特征编码的编码维度是通过网络模型生长系数k的值来设定的。将通过DenseIris Net模型提取到的特征编码结合Euclidean距离匹配算法计算其距离相似度,再进行虹膜特征匹配识别。3,本篇论文实验部分,实验数据采用吉林大学生物特征与信息安全技术实验室提供的JLU-6.0虹膜库和中国科学院自动化研究所提供的CASIA-Iris-Lamp虹膜库。在实验中,虹膜识别算法的性能评价以正确识别率、等错误率以及ROC曲线为评判指标,对本文提出的DenseIris Net网络模型虹膜特征提取性能进行分析,同时也对虹膜识别系统整体综合性能进行分析。通过与现有虹膜识别算法进行对比实验,展示了本篇论文提出的算法在虹膜识别的正确识别率和网络模型性能上都有所提高。