随着科技的进步,无现金支付等新技术的普及,如何可靠、快速、准确的识别出不同人的身份,是一个亟待解决的问题。由于疫情的影响,为防止病毒细菌等微生物通过生物特征采集设备在人际间形成交叉感染,传统的接触式生物特征识别技术已逐渐不能满足当前生产生活对控制接触,降低传染风险的要求。其次,由于传统的人脸识别,指纹识别存在容易被窃取和冒名顶替的风险,已不能满足金融等相关行业高安全性的要求。近年来,兴起了一种通过读取人的手掌静脉,并分析其静脉特征来识别不同用户的生物特征识别技术。由于手掌静脉位于表皮之下,因此难以篡改,并且其采集方式较为简便,用户接受度较高。本文在自采的无背景控制的非接触掌静脉数据集中,对手掌基准点定位、感兴趣区域提取算法和掌静脉特征匹配算法进行了研究,对于之前研究中常用的基于分割的基准点提取算法,通过与本文提出的基于支持向量机（Support Vector Machine,SVM）特征分类的基准点提取算法进行对比,在无背景控制的情况下,本文方法可以更有效准确的确定手指缝基准点。之后,提出了一种基于相似度统计的尺度不变特征变换（Scale-invariant Feature Transform,SIFT）误匹配消除方法,该方法根据掌静脉采集的感兴趣区域的特点对传统的SIFT匹配方法进行了优化。之后,对采集得到的感兴趣区域分别使用邻域二值模式（Neighbor-based Binary Pattern,NBP）与本文提出的基于相似度统计的误匹配消除的方法,对比了其在匹配时的准确率。最后提出了一种融合了 NBP特征和基于SIFT特征误匹配消除的算法,测试了将两种方法融合使用时,对掌静脉匹配精度的提升。本论文进行的工作与结果如下:1.采集并建立了一个包含400人的无背景控制在不同距离下采集的非接触掌静脉数据库（Contactless Near-infrared Palm Vein Dataset,CNPVD）,包含超过 6000 张高清掌静脉图像,并通过该数据集对文章中的算法进行了测试。2.实验验证了基于阈值分割的基准点提取法在对无背景控制的非接触式手掌数据进行感兴趣区域提取时的不足,并提出了一种基于SVM的手掌基准点定位并对手掌感兴趣区域进行提取的算法,通过在CNPVD数据集上进行实验,相较于基于阈值分割的方法,证明该方法获取基准点的成功率更高,性能有所提升。3.根据掌静脉采集图像和模板匹配时的特点,提出了一种基于相似度统计的SIFT误匹配消除算法,该方法通过对匹配点空间距离和空间夹角的关系进行误匹配筛选,并通过该方法,在CNPVD数据集中采集的手掌感兴趣区域进行性能测试。实验发现,该方法可以有效降低误匹配的发生,提高匹配的准确度。4.提出了一种融合了 NBP特征和基于SIFT特征误匹配消除的算法,并测试了将两种方法进行融合后联合使用对掌静脉比对产生的影响。实验结果表明,当对两种方法进行融合使用时,可以在保证运行速度在可接受的范围内具有较低的FAR和FRR,在CNPVD数据集进行测试时也取得了较好的效果。