随着信息科技的发展,生物身份认证技术受到越来越多人们的关注。作为一种新的生物特征身份认证技术,静脉识别技术虽然起步较晚,但由于其独特的优点,逐渐成为主流的生物特征识别方法。任何一种身份认证技术,必然要经历从研究到实用的阶段。因此,对于静脉识别技术,必须考虑这种技术在实用过程中出现的或可能会出现的各种问题。本文主要研究静脉图像的配准,为了能够保证配准的实时性和准确率,将重点研究静脉的分类和匹配技术。目前,尚未见静脉分类的相关文献。本文通过对比实验,选择小波矩作为静脉分类和匹配的特征。在分析研究了其他数字图像的分类技术后,提出了一种新的基于规模化应用的静脉分类策略。首先,研究了在分类技术领域有着广泛应用的BP神经网络进行静脉分类器的设计,并使用著名的LM算法对BP神经网路进行了优化,得到了较好的效果。为了验证BP分类器的结果是否合理,本文提出了一种判断分类结果是否合理的准则。考虑到BP神经网络静脉分类器在分类的过程中是“有监督”分类,而在实际应用中人为统计分类器目标会有不确定性、随机性等缺点。为此,本文提出了一种“聚类+分类”的静脉分类器设计方法,实现静脉的“非监督”分类。采用蚁群算法对静脉库中的静脉样本进行“非监督”聚类,得到库中每个样本的类别作为BP神经网络的目标输出,得到了较好的效果。另外,考虑到BP神经网络分类器的泛化能力不足且易陷入局部最优的缺点,同时考虑到大规模静脉样本分类过程中维数的增加,本文又研究了基于蚁群算法和SVM的静脉分类器设计,实验结果证明这种分类器策略及分类器设计的有效性。对于静脉的匹配技术,本文研究了基于灰度和基于特征的静脉匹配方法,对比实验后,采取了基于小波矩特征的最近邻静脉匹配方法,从实验结果来看,这种方法具有较高的识别率,同时证明了本文整体的静脉特征选择、静脉特征分类和静脉特征匹配的连贯性和有效性。最后,总结了本文的研究成果及不足,提出了进一步完善静脉分类和匹配技术的一些想法和展望。