随着移动互联网和智能终端的迅速发展以及金融支付安全性的提高,生物特征技术在移动端金融支付领域被广泛应用。相比指纹、人脸、声纹这三种生物特征,掌纹具有纹理信息丰富、特征稳定、采集便捷等特点,掌纹认证技术成为了移动端金融支付身份认证手段的研究热点。然而移动端下背景复杂、光照多变、用户手势不可控都给掌纹特征的描述带来了挑战,掌纹特征描述准确与否直接影响了认证率、识别率的高低,因此进行移动端复杂背景下掌纹特征提取的算法研究具有重要的现实意义。本文针对移动端下光照、阴影、平移、扭曲等因素对掌纹特征提取的影响,提出了一种适用于移动端的掌纹多特征融合算法,该算法融合了掌纹纹理特征及边缘特征,最大化利用纹理信息和边缘信息的互补性以准确描述掌纹信息。将多特征融合算法嵌入到移动端掌纹认证系统的特征提取与匹配模块中,并对软件的认证功能进行了准确性测试。针对移动端计算资源少、计算速度慢等特点,进一步提出了一种基于卷积神经网络的掌纹特征提取方法以及移动端与服务器协同工作的架构,移动端通过连接网络请求服务器上训练好的模型进行掌纹特征提取,以降低移动端计算复杂度。采用VGGNet-16作初始模型,调节动量有效的迭代速度使误差函数的值在短时间内减小到目标范围,以缩短训练模型的时间;自定义全连接层fc-6的维度,以缓解过拟合现象,同时提高识别精度和训练速度;建立基于Triplet Loss函数的网络结构,该网络结构直接学习从图像到欧几里德嵌入空间的映射,训练网络使得嵌入空间中图像L2距离的平方直接对应掌纹的相似性,更高效准确地描述掌纹图像的特征信息,以提高识别精度。本文提出的基于变换域特征融合的算法和基于卷积神经网络的特征提取算法在一定程度上消除了光照、旋转、平移、模糊等因素带来的冗杂信息,有效地实现信息压缩,减少了计算量,通过仿真实验,验证了上述算法的有效性。