身份识别在当今信息化社会变得愈发必要,使得生物特征识别技术广受关注。得益于其唯一性、活体性、不可伪造性等诸多优势,指静脉识别技术无疑具有巨大的研究和使用价值。在各种识别算法中,人工神经网络凭借其强大的特征提取能力和超高的泛化能力脱颖而出。因此,将两者有效地结合起来将意义非凡。本文利用深度学习方法进行指静脉识别,摒弃了传统方法的各种弊端,并且针对目前面临的难点,提出了几个有价值的解决方案。具体研究内容如下:首先,本文分析了指静脉识别的研究背景和现状,并且系统地阐述了完整的指静脉识别流程。其次,针对指静脉数据质量差、曝光不当导致图像细节丢失的问题,本文提出了一个多分支的端到端的卷积神经网络。基于注意力机制和膨胀卷积,实现了类似高动态范围的图像重建算法,很好地恢复了图像细节,并且提高了图像对比度。再次,针对指静脉图像不足,训练深度学习模型的难度不容小觑的问题,本文提出了基于“预训练-微调”模式的迁移学习方法。在五种结构的模型上做了详尽的实验,最终得到了最优模型。实验证明,本文提出的方法有能力在小数据集上训练大模型,缩短了训练时间并充分利用了模型已习得的知识,具备较好的泛化性。从次,针对指静脉样本量少导致的卷积神经网络过拟合问题,本文使用图神经网络进行指静脉识别。该方法识别精度高,并且降低了算法对图像质量的要求,提高了匹配效率。最后,针对神经网络模型参数量和计算量巨大,难以在嵌入式指静脉设备上部署的问题,本文使用了模型压缩方法。通过模型剪枝和模型量化,在几乎不损失识别精度的前提下,降低了模型对模型大小、推理时间、耗电量、内存占用等多项指标的要求。