由于生物特征识别技术在保持便携性的同时,比传统的个人身份验证方式有更高的安全性,所以得到了广泛的关注。其中,依靠手指静脉图像进行身份识别的技术因在现有的生物特征识别技术中拥有更高的安全性而快速发展起来。人工设计算子表达手指静脉图像中纹理信息的方法由于处理步骤繁琐并且鲁棒性和泛化性较弱,逐渐被特征提取能力更强的卷积神经网络方法替代,但是与此同时,这也提高了对运行设备算力的要求。因此,需要研究卷积神经网络的轻量化方法,在减小参数量和计算量的同时,尽量保持其识别精度。另一方面,手指静脉识别被归类为细粒度识别问题,需要利用到图像中的细致特征,所以对输入图像的质量和网络的细粒度特征提取能力有一定要求。下面,对本文的具体研究内容及成果进行说明。第一,针对经典的深层卷积神经网络计算量和参数量较大的问题,提出了一种轻量化的纺锤形网络结构——Spindle Net。该网络结构由Mobile Net-V2的反转残差结构和线性瓶颈结构组成,通过逐渐增加网络前半部分的特征图层数以及逐渐减少其后半部分的特征图层数的方式,将输入图像在低维空间的流形信息映射到高维空间并解耦,然后反映射回低维空间,得到输入图像的关键特征。与原Mobile Net-V2相比,Spindle Net在不降低模型分类性能的同时,可以减少2.7M的参数量以及72M的计算量,并且在进行全局平均池化前形成了更少层数的特征图,为后续识别模型提供了基础网络模型。第二,设计了一种集手指静脉图像质量识别和细粒度特征提取于一体的双线性网络结构RQABS-Net（Recognition and Quality Assessment Bilinear Spindle Net）,用于筛选出静脉纹理更清晰的手指静脉图像,并通过提取这些图像中更具判别力的二阶细粒度分类特征以进行个人身份识别。RQABS-Net基于Spindle Net构成,通过对Spindle Net进行双线性池化,解决了传统双线性网络全连接层参数过多的问题。并且设置双线性池化后分为质量识别支路和细粒度特征分类识别支路,使得部分网络结构被重用,提升了网络效能。通过将两个任务集成于一体,减少了单任务模型切换带来的耗时。第三,在手指静脉图像识别网络中引入基于平均准确度定义的损失函数。该损失函数以优化样本特征排序的方式约束手指静脉图像在特征空间内的距离,加强了不同类别图像细粒度特征的区分性以及同类别图像的相似性。通过在手指静脉图像公开数据库SDUMLA-HMT、HKPoly U以及自建数据库SWUST-FV进行实验后发现,所设计的RQABS-Net网络结合平均准确度损失函数的模型能获得较低的等误率,分别为0.50%、0.41%以及1.23%。第四,对手指静脉图像识别模型进行了嵌入式系统设计。该系统以树莓派4b和Intel Movidius神经计算棒作为算力支持,利用近红外摄像头采集待识别人的手指静脉图像,通过RQABS-Net进行图像质量识别和细粒度特征提取,实现了对输入的手指静脉图像进行识别的功能。