随着信息技术和大数据技术不断地融入到我们的生活,生物识别技术也获得了蓬勃的发展。为了保护公民的个人隐私和信息安全,越来越多的生物识别技术出现在我们的视野中。指静脉识别技术,一种较为新颖的生物识别技术,因其重复率极低、难以伪造、性状稳定以及需要活体检测等特性脱颖而出,取得了长足的进步。指静脉识别技术一般使用红外摄像头,依据手指血液吸收红外光的原理,形成手指静脉图像,并以此为特征进行身份验证。为了解决传统指静脉识别算法通常容易受设备成像质量、手指形态改变或者光照条件的影响的问题,本文针对基于深度学习的指静脉识别算法做了研究,主要的工作和贡献如下所示:第一,提出了一个使用预训练网络微调的指静脉感兴趣区域提取网络,以解决传统感兴趣区域提取方法鲁棒性、迁移性过差的问题。同时,通过分析对指静脉图像识别精度影响最大的因素,针对性的通过数据扩增扩大训练样本数据集的规模并提高模型的鲁棒性。第二,将本文提出的指静脉感兴趣区域选举网络作为区域选举网络,构建了一个指静脉特征提取卷积神经网络(FVR-CNN)。并为了适应指静脉识别这一零样本学习任务,使用度量学习的方法学习指静脉图像语义,同时提出了自适应感兴趣区域损失函数(Adaptive ROI Loss,ARL)用于训练网络。通过度量学习,网络能够提取出泛化能力更强,区分能力更强的语义表达。由于适合传统算法的指静脉感兴趣区域对于卷积神经网络而言未必是最好的区域,甚至有标注错误的可能,本文提出的自适应感兴趣区域损失函数,可以使网络自动学习最优的感兴趣区域。本文使用了结合在线难样本发掘技术的端到端多阶段训练方式。对于每张指静脉图像,网络最终输出128维的特征向量,并使用余弦距离进行匹配。第三,由于原始指静脉特征提取网络的模型较重,计算成本高,难以部署在移动端或嵌入式设备上,本文使用一种多种模型压缩算法对网络进行优化、剪枝。在训练阶段即生成剪枝后的网络结构,并对其进行微调。剪枝方法可以重复数次获得最好的模型。在完成网络剪枝后,使用网络量化的方法进一步降低模型的体积。本文提出的指静脉特征提取网络大小为10.2MB,轻量化后大小为3.35MB。在山东大学数据集、清华大学数据集、全北国立大学数据集上分别进行了多组对比实验。原始模型在这三个数据集上取得了 0.48%、0.39%、0.21%的等错误率;轻量模型在这三个数据集上的等错误率分别为0.62%、0.51%、0.34%。实验结果验证了本文提出的方法的有效性。