随着经济和科学技术的发展,尤其是互联网技术的发展,人们越来越重视个人信息安全,加强个人身份识别技术的研究以及提高信息安全管理已经成为社会管理的一个重要方面。掌静脉识别作为生物特征识别的一种,具有唯一性、不易复制、活体识别以及安全等级高等优良特性,受到了越来越多的研究者和工业上的关注。然而,手掌静脉识别存在两个问题:第一,由于手掌静脉的采集受多种因素的影响,使得采集的静脉图像中不仅包含着静脉而且包含着噪声和不规则的阴影,使得具有区分性信息的静脉特征很难被有效提取,从而导致识别精度的降低;第二,在很多应用场景下,由于识别系统的存储容量不足或是为了保护用户隐私,导致训练集中的每个用户只有一个训练样本。然而,因为现有的静脉识别模型在这样的小样本数据库上往往容易出现过拟合或者很难得到充分地训练,所以识别性能大大降低。因此,基于单张图像的识别仍然是一个具有挑战性的问题。与此同时,深度学习在计算机视觉,自然语言处理以及语音识别等方面取得了显著的成就。在这样一个背景下,本文将深度学习应用到手掌静脉特征的提取和单张图像的识别中,开展以下具体研究。(1)详细介绍了卷积神经网络和生成对抗网络的理论知识。在卷积神经网络中,介绍了其发展历史、基本组成部分以及一种经典的卷积神经网络LeNet-5网络。在生成对抗网络中,则详细介绍了生成对抗网络的损失函数和训练过程。然后将卷积神经网络引入到生成对抗网络中,介绍了深度卷积生成对抗网络。(2)研究了掌静脉特征提取问题,提出基于U型生成对抗网络的手掌静脉特征提取算法。在该方法中,首先通过图像二值化、边缘检测以及校正等图像预处理技术提取掌静脉感兴趣区域。然后融合了已有的多种分割方法实现对掌静脉图像的标注。最后通过将U-Net网络作为生成网络,并构建一个卷积神经网络作为判别网络,提出了U型生成对抗网络。通过生成网络和判别网络的交替训练学习到掌静脉的内部分布,实现掌静脉的提取。实验结果表明,本文所提出的方法在公开的CASIA非接触式掌静脉数据库和PolyU接触式掌静脉数据库上的等误率分别为0.33%和0.026%,明显优于已有的分割方法。(3)研究了基于单张训练样本的掌静脉识别问题,提出基于多尺度生成对抗网络的单张训练样本识别方法。首先通过多尺度生成对抗网络(SinGAN)学习单张训练图像内部的分布特征,并基于各个类别的单张图像生成多幅独立同分布的掌静脉图像,建立训练集合。然后建立卷积神经网络识别模型,并利用构建的训练集合对其进行训练,实现在单训练样本情况下掌静脉图像的有效识别。最后探究了在生成不同数量样本下,该识别模型的识别性能和稳定性。实验结果表明,SinGAN网络具有良好的生成样本性能,能够产生高质量的样本,有效提高了识别模型的识别精度和稳定性。