随着科技的发展,各种电子信息设备的普及,人们对信息安全要求也越来越高.以往繁多的符号密码已经不能于适应现在日益加快的社会节奏,急需要更安全、更便捷的身份验证手段.指纹识别作为古老的生物特征身份验证手段一直被人重视,人们以指纹识别理论为基础,结合现代信息技术和工具研发出了自动指纹识别技术.在传统的指纹识别算法中,仅仅使用指纹的细节特征点做为指纹识别的依据,而忽略指纹的整体纹线方向信息是不合理的.指纹方向场包含了现在使用的特征未能表示的信息,结合指纹方向场和指纹细节特征实现指纹识别是对指纹所有可能信息特征充分利用的体现,也将会使指纹识别的精度进一步提高.近些年深度学习理论的快速发展,应用越来越广泛,解决了很多经典信息处理中的棘手问题.在这种背景下,有研究者提出了基于深度学习的指纹方向场识别方法,他们使用全连接结合稠密连接的思想建立网络模型,最终取得不错的效果,然而其方法生成的模型过大,模型精度有待提高.为了更充分利用指纹方向场数据特征,我们使用指纹方向场的二维数据形式作为网络的输入,并引入卷积结构,使得模型参数在一定程度上有所减少.此外分析了所用的指纹方向场数据是小样本数据,使用一般分类网络不能很好的实现这种类别数量巨大,而每类数据量非常小的分类.为此我们采用度量学习方法把分类问题转化成聚类问题,构造孪生网络模型.并先后对不同特征提取网.实验对比,最后采用了精度较高而参数又比较小的网络.通过分析每个隐藏层通道和最后特征通道的输出,我们对一些通道进行裁剪,使模型进一步的简化.实验表明我们的网络模型不仅能够进一步提高指纹方向场识别的精度,而且在模型的大小上也会有所降低,达到了我们预期的效果.不但可以在台式设备上使用,也方便于移植于便携设备