手指静脉识别作为一种新兴的生物特征识别技术，与传统的身份识别技术相比具有更高的安全性，采集便捷，交互方式友好等优点，在机器视觉与模式识别领域都具有广泛的应用前景。手指静脉识别主要包括以下四个关键步骤，图像采集、感兴趣区域(region of interest，ROI)分割、图像恢复与增强、特征提取以及匹配识别。手指静脉图像的采集利用了人体血液中的血红蛋白可以吸收近红外光的特性，因而采集过程容易受到手指内部组织散射作用的影响，造成采集图像的质量严重下降。此外，手指放置姿态的变化会造成采集的图像存在不同程度的平移、旋转甚至形变。上述各种因素对手指静脉识别的各个环节都带来了很大的困难与挑战。尽管针对手指静脉识别的相关研究工作已经取得了一定的成果，但目前仍然存在一些问题亟需完善。
　　本文围绕上述手指静脉识别的关键环节分别展开了深入的研究工作，具体的研究方法与贡献概括如下：
　　(1)提出了一种手指轮廓和梯度分布相融合的手指静脉图像ROI分割方法。针对手指姿态变化所造成的手指图像旋转问题，提出了基于手指轮廓信息的旋转矫正方法。在矫正图像的基础上，进一步提出了基于梯度分布的手指关节位置的定位方法。该方法通过检测手指的关节位置可靠地分割出手指静脉的ROI图像。实验结果表明，该方法能够可靠地分割出有效的手指静脉ROI图像，与现有方法相比能够保留更丰富的静脉信息。
　　(2)提出了一种基于大气散射理论的自适应手指静脉图像恢复方法。针对手指静脉图像成像时受内部组织散射而造成图像质量较低、对比度较差的问题，通过分析大气散射现象与手指静脉成像过程的相关性与差异性，提出了适用于手指静脉图像的恢复方法。针对恢复方法中相关参数难以直接求解的问题，分别针对吸收率ε(x)和环境光强度A提出了相应的近似估计方法。实验结果表明，该方法能够有效地改善手指静脉图像的质量。与现有方法相比，该方法恢复出的手指静脉图像对比度更高，且更有益于改善手指静脉识系统的性能。
　　(3)提出了一种基于主动轮廓的手指静脉结构特征分割方法。针对手指静脉结构特征提取过程容易出现静脉结构不连续或者过度分割的问题，首次利用主动轮廓的方法实现了手指静脉结构特征的提取。通过分析手指静脉图像的特点，引入有效的边缘拟合项并建立了适用于手指静脉结构特征分割的主动轮廓模型。针对主动轮廓方法的处理结果易受初始轮廓影响的问题，提出了基于模糊核聚类算法(KFCM)的初始轮廓定位方法，改善其处理结果的稳定性。实验结果表明，该方法能够可靠地提取出有效的手指静脉结构特征。与现有方法相比，该方法提取出的手指静脉结构特征连续性、平滑性更高，且更有益于提高手指静脉识别系统的精度。
　　(4)提出了一种基于生成对抗网络(generative adversarial network，GAN)的手指静脉语义特征提取方法。针对手指静脉语义特征提取方法在不同数据集上识别结果不稳定的问题，通过建立全卷积结构的生成网络FCGAN(fully convolutional GAN)以及严格约束的损失函数，首次实现了高质量手指静脉样本的合成以及数据集的扩充。在FCGAN扩充样本的基础上，进一步提出了手指静脉语义特征提取方法FCGAN-CNN，提取出具有高区分度、高可靠性的手指静脉特征。实验结果表明，FCGAN能够生成更加多样化和高质量的手指静脉图像样本。与现有方法相比，FCGAN-CNN能够提取出区分度更高、鲁棒性更强的手指静脉语义特征。