随着科技的飞速发展,人类生活中越来越离不开身份认证和识别。同时人们对个人信息安全的问题也更加的重视,传统的身份认证如密码登陆等已经很难满足人们对个人信息安全的要求。在这种需求不断提升和计算机技术高速发展的背景下,虹膜识别技术凭借着其更高的安全性、准确性、稳定性、防伪性等特点受到了来自学术界和工程界广泛的关注。虹膜识别产品也逐渐应用到与我们息息相关的生活中,如虹膜门禁系统、虹膜签到系统、银行支付系统等不同的安全领域中。虹膜识别也逐渐成为继指纹和人脸识别之后,最被大众所能够接受的身份识别技术。虹膜识别系统由设备采集、预处理、特征提取和识别组成。在预处理过程中难免会受到外界环境和用户配合程度的干扰,外部的光照会对虹膜图像质量造成影响,用户配合程度不高则会导致采集的虹膜图像出现离焦模糊和运动模糊。这些不合格的图像会影响后续的识别过程,也会对系统资源造成极大的浪费。虹膜分割是虹膜识别系统中十分关键的步骤,其分割结果会干扰虹膜识别的准确度。但是传统的分割算法包含大量的手工操作且复杂度较高,容易受到环境的干扰,准确性和鲁棒性较低。随着深度学习技术的普及,如图像分割任务以及图像分类任务也都发生了巨大的变革,卷积神经网络极大的提升了这些领域的应用性能。本文使用语义分割技术来解决虹膜分割问题,提出了一种新颖并且适用于虹膜分割的网络模型---Iris Seg Net。Iris Seg Net是对U-Net网络进行的改进,本文主要工作有:（1）由于U-Net网络的层数较浅,编码器阶段只进行了十次卷积操作,不能充分的提取特征的深层语义信息,但是特征的深层语义信息也就是物体类别信息对提升网络的分割精度十分重要。引入残差模块可以将网络前层的特征信息与当前层的特征信息进行融合,不仅能加深网络深度还能使得网络可以更好的回传梯度来解决网络退化问题。（2）对于特别大的图片的输入,CNN模型学习起来比较困难。嵌入CBAM注意力机制可以帮助网络更加的关注虹膜语义信息,忽略背景信息。本文在编码器阶段和解码器阶段之间的中心瓶颈层嵌入一个注意力机制模块,可以帮助网络学习更多的区分虹膜和背景像素的特征。最后网络通过上采样操作将网络提取的特征图进行放大,从而以更高的分辨率预测虹膜区域,然后将虹膜区域与背景区分开来,产生虹膜掩码图像。本文在JLU-6.0、CASIA-Interval-V4、UBIRIS.v2虹膜数据库上进行实验,并对实验结果进行分析,本文网络在以上三个数据集的MPA值分别为:0.9722、0.9783、0.9820。和同类研究结果相比,取得了更好的效果,证明了本文所提出的Iris Seg Net网络模型的高效性和鲁棒性。