一个完整的虹膜识别系统包含有虹膜图像的采集、虹膜图像的质量评价、虹膜图像相关预处理、虹膜区域定位、虹膜特征提取以及虹膜特征识别六个步骤。最终虹膜识别系统的准确程度除了与识别算法有关之外,还与输入的图像质量息息相关,而输入图像的质量好坏是由对原始图像的筛选精度决定的。高质量的虹膜图像不但需要虹膜位置居中纹理清晰完整,还要保证其真实性。而对于高质量虹膜的筛选检测,传统方法先是对虹膜原始采集图像通过人工筛选的方法构建初始数据集,之后根据虹膜相关质量评价方法、预处理方法,分别对初始数据集进行处理,最终形成可用的虹膜数据集。但这样的方法人为干预较大,且分离式的工作流程效率较低,若针对大量的数据任务,则会形成较大的处理压力。因此,为了解决人为筛选干预和分离式的操作所带来的效率问题,本篇论文结合虹膜识别系统流程的前三项工作,分离出失焦、遮挡的原始虹膜图像,并且对该原始虹膜图像采集序列进行真伪性判断,提出了面向虹膜原始采集图像的检测流程,以保证识别系统后期虹膜身份识别工作的准确性和有效性。与此同时,在该检测流程基础上,结合神经网络模型,本篇论文提出了基于卷积神经网络和循环神经网络的分类检测模型,该模型主要针对虹膜图像进行可用性的分类判断和真伪性的分类判断,对原始的采集数据进行高效、批量化的筛选检测。通过不同层次的对比实验结果表明,本篇论文所提出的方法模型,在虹膜图像可用性分类中,预训练的VGG16网络结构下最优结构层Conv1的分类AUC值可达到0.88,在测试集上的平均分类准确率可达到99%,说明本篇论文所提出的虹膜可用性分类的结构可以对虹膜原始采集数据进行批量化且准确的分类筛选,可以代替虹膜原始采集图像的人工筛选问题,使得虹膜的原始采集图像筛选更加合理;在虹膜图像真伪性分类当中,在预训练的Conv1结构层下测试集上的最高准确率为58%,但其测试趋势在本次实验的固定epoch设置和变化有限的数据下依旧呈现上升趋势,表明本篇论文所提出的虹膜真伪性分类的结构,对于虹膜图像安全领域的方法研究扩展有一定的借鉴意义,从源头为后续的虹膜图像识别工作提供更为有意义的数据基础。本文的主要工作和贡献如下:(1)本文根据虹膜识别系统的常用操作流程,对虹膜目标区域定位过程之前的所有步骤,结合这些步骤在实际操作过程中存在的问题和不足之处,针对性地提出了一个面向虹膜采集图像的统一批量化处理的虹膜检测研究流程,该流程致力于解决将分离的步骤合一化,实现采集图像的可用性和真伪性分类检测,以便于提升虹膜识别系统的整体效率和准确度。(2)在虹膜图像可用性的分类中,由于原始的采集图像均属于无标签的图像,为了实现神经网络的无标签图像分类,本篇论文选取了卷积神经网络中的VGG16模型结构,结合聚类方法中的k-means方法,针对无标签的原始采集图像进行虹膜图像的可用性分类。通过消融实验,对比VGG16网络结构的预训练与否和不同卷积层的效果的两方面对比实验,对所获得的结果进行解释和论证。(3)在虹膜图像的真伪性分类中,充分考虑图像采集过程中的序列化特点,采用循环神经网络中的LSTM网络结构,在虹膜图像可用性分类中训练的卷积神经网络结构基础上,提取序列化的图像特征作为LSTM网络的输入数据,进行虹膜序列采集图像的真伪性分类检测学习。通过虹膜图像可用性分类中选出的不同层次下效果最优的结构,在此基础上继续进行该类别的对比实验,对结果给出解释说明。