以信息化、数字化、网络化为特点的社会的发展对国家以及社会生活安全性提出了全新的要求,在这种环境下,传统的安全技术遭到了巨大的挑战。而生物特征认证技术是解决信息化、数字化、网络化社会安全问题的最好的办法之一。作为最可靠的生物特征之一的虹膜识别技术,因其唯一性、稳定性、高可靠性和非侵犯性等特点而备受关注。虹膜纹理特征的表示和提取是虹膜识别技术的关键点和难点之一。经验模式分解(Empirical mode decomposition, EMD)由Huang等人在1998年首次提出,该方法能够自适应的将原始信号分解为频率由高到低的一系列内蕴模态函数(Intrinsic Mode Function, IMF)及残差的和。作为一种完全的数据驱动方法,它从信号本身的尺度特征出发对信号进行分解,具有良好的局部适应性,近年来在信号去噪、故障诊断等方面得到广泛应用。Nunes等人将经验模式分解从一维推广到二维,并将其应用到纹理分析。本文侧重于研探的是应用EMD技术到虹膜纹理分析中,并结合实验进行分析。首先简要介绍了EMD分解算法、二维EMD框架及分解关键问题。接着介绍虹膜预处理过程,对其关键步骤虹膜定位、去噪、归一化和增强进行了研究,并对Canny算子和Hough变换进行了改进,以降低内存消耗和节省时间。在特征提取和分类识别上做了如下工作:(1)采用一维经验模式分解虹膜纹理,把第一个内蕴模态函数认为是噪声,仅在第一余量上进行特征分析。通过多种距离量度进行匹配验证。实验结果表明,经验模式分解能有效的提取和表达虹膜丰富的纹理特征。(2)从分解的多尺度特征出发,提出了基于IMF奇异值分解的虹膜识别方法,降低了编码长度。(3)把经验模式分解从一维推广到二维,结合局部二值模式,提出了基于二维经验模式分解和局部二值模式的虹膜识别算法,通过在第一余量中提取局部二值模式特性,采用局部二值模式直方图匹配来进行分类识别。实验结果表明,该法鲁棒性强、精度速度指标俱佳且有旋转不变性。本文实验主要在Matlab 7.0环境下进行,并在Visual Studio开发环境实现了相关虹膜算法识别的系统平台。实验结果表明,EMD应用于虹膜纹理分析中有着不俗的表现,本文相关算法能有效应用到实际需求中。