随着生物特征识别技术的进步,这些技术获得了广阔的应用前景。相对于其他身份识别技术而言,指静脉识别技术更加安全、高效和稳定。然而目前采集到的指静脉图像普遍存在质量不高以及手指的自由度导致图像存在的偏移等问题,给指静脉识别技术带来了较大的挑战。传统的指静脉识别技术是基于图像的纹理、特征点等细节进行特征提取,若图像质量较差的话,提取到的指静脉特征会不稳定,会降低指静脉识别的准确性。针对以上问题,本文采用了一种基于改进残差网络的指静脉识别算法。在深度学习算法中,由于公开的指静脉数据集较少,如何利用有限的数据集训练得到鲁棒性较好的模型性能是主要研究问题之一。指静脉识别技术中具有区分性的特征在于图片的细节部分,需要对网络重新设计减少特征图的信息丢失,提取到具有鲁棒性的指静脉特征。目前,常见的卷积神经网络是以分类为目的,而对于指静脉识别技术而言,预先采集所有类别的指静脉图片是不切实际的,因此需要对网络的监督信号重新设计,使网络学习到具有判别性能的指静脉特征,本文的主要研究工作如下:（1）针对指静脉采集过程中出现的手指偏移问题,本文提出了一种用于感兴趣区域的角度矫正以及提取的预处理方法,可以消除偏移带来的干扰,并获得归一化后的感兴趣区域图片。（2）针对公开的指静脉数据集较少的问题,本文采用了传统的图像处理算法对数据集进行扩增,并采用预训练权重用于网络的训练阶段,缓解指静脉数据集不足的问题。（3）为减少网络训练过程中特征图的信息丢失,本文采用了改进残差模块的卷积神经网络,减少小卷积核的步长过大造成的信息丢失,同时将网络中的大卷积核采用多个小卷积核进行代替,减少网络参数的同时提高了模型的表达能力。（4）为了进一步提高模型的性能,残差网络采用改进的激活函数提高了模型的表达能力,同时为了提高模型对未知类别的判别能力,网络采用Softmax Loss用于扩大指静脉特征的类间距离,Center Loss用于缩小类内距离,将二者融合作为网络的损失函数用于约束网络的反向传播过程。为了验证本文采用的指静脉识别算法的性能,在FV-USM和MMCBNU₆000两个公开数据集上经多组实验对比表明,改进后的残差网络较改进之前,算法的性能获得了一定程度的提升,识别的准确率也得到了提高。