在当今智能化社会中,生物识别已经逐渐被广泛应用于身份鉴定。指静脉识别作为生物识别的重要组成部分,受到研究人员的广泛关注。指静脉识别依靠手指静脉在红外摄像头拍摄的图像中会形成深色静脉纹理的原理,通过拍摄所得图像来进行算法识别。所以,所得指静脉图像的图像质量是影响识别算法准确性的关键因素。本文结合深度学习的方法,对于指静脉图像质量评价这一课题进行研究,本文的研究成果如下:（1）本文首先贡献了一个手动标注的指静脉特征数据集,并在此基础上提出了一种能够提取指静脉特征的网络模型（FV-UNet）。这是首个通过人工标注的指静脉特征图像并且基于深度学习的指静脉特征提取的算法。（2）提出了指静脉图像质量标注方法。本文首先通过识别准确与否将高低质量图像进行了离散值形式的标注,然后,通过多种方式结合解决了数据平衡的问题。最后,在离散值形式标注的基础上进一步提出了连续值形式的指静脉图像质量标注方法。（3）提出了基于深度学习的指静脉图像质量评价的网络模型。由于手指静脉图像的质量在很大程度上取决于图像中所包含的静脉特征,所以该模型的设计是在提取静脉特征的模型上进行延伸得到的。并且通过在识别系统上的低质量图像过滤实验证明了模型的有效性。（4）设计并实现了指静脉图像质量评价系统。该系统将本文所研究的指静脉特征提取和指静脉质量评价算法结合进来,在移动端上模拟了在真实场景中的应用。