如今的信息化时代,大量的信息通过数据的形式存储在个人或企业的硬件设备中,用何种技术保护信息的安全成为一个核心话题。虹膜识别具有高唯一性、强稳定性和非侵犯性等特点,使其成为最安全、最稳定的识别技术之一,担起了保护信息的重任,因此成为了重要的研究方向之一。该文将卷积神经网络应用到虹膜识别中,对虹膜图像做分类任务,用于人员的身份识别,并针对传统的卷积神经网络在虹膜识别研究中存在的过拟合及识别不稳定问题做了相应的改进,实验表明,改进后的卷积神经网络模型在虹膜识别中有更高的识别准确率、更强的鲁棒性。具体方法及改进思想如下:(1)针对虹膜数据量较少及虹膜特征单一所带来的过拟合问题,提出一种基于迁移学习的卷积神经网络虹膜识别方法,首先对虹膜图像进行分割及归一化处理,得到规整的虹膜图像,然后用经典的卷积神经网络模型(VGGNet、GoogleNet、ResNet)对ImageNet数据集进行训练,得到训练参数,随后将该参数作为初始权重迁移到虹膜数据集(CASIA-Iris-Interval、CASIA-Iris-Lamp、CASIA-Iris-Thousand和IITD Databas)的训练当中,最后利用Softmax分类器对虹膜进行分类,并与无迁移学习的网络做了对比实验,实验表明基于迁移学习的网络缓解了过拟合现象,且提高了虹膜识别准确率及其稳定性,在虹膜数据集中表现最优的ResNet的平均识别准确率达到了97.7%,提高了3.4%,极差为2.5%,降低了5.2%,在虹膜数据集中实现了准确且稳定的识别;(2)针对网络在虹膜图像分类中缺乏强鲁棒性,基于GoogleNet的高计算性能和ResNet的强泛化性能等特点,提出双流卷积神经网络模型,同时利用GoogleNet和ResNet两种网络对虹膜数据集进行训练,得到两种识别结果,提出得分机制融合方法将两种网络分类置信度进行融合,计算综合分类精度值,利用综合分类精度值反馈控制双流卷积神经网络模型的训练过程,确定最优的得分机制融合方法权重值,提高网络模型的平均识别准确率,实验结果表明,该模型在基于迁移学习模型的基础上,进一步提升了虹膜识别准确率,在四种虹膜数据集(CASIA-Iris-Interval、CASIA-Iris-Lamp、CASIA-Iris-Thousand和IITD Databas)上的平均识别准确率达到了98.4%,提升了0.7%,且提高了网络的鲁棒性。利用上述改进思想对网络结构重建之后,在虹膜数据集上进行了训练与测试,实验结果表明,提出的迁移模型和双流模型在一定程度上提高了虹膜识别准确率及识别的稳定性能,该模型具有更强的鲁棒性,具有一定的借鉴意义,促进了深度学习在虹膜识别技术中的应用。