当今社会,随着科学的进步和各方面技术的发展,人类生活开始朝着全新方向发展。由于各种信息数据会被轻易获得,因此人们希望自身信息的安全性可以不断提高,当下利用指纹特征进行身份安全的识别已成为社会发展的潮流。在深度学习的基础上,进一步对指纹进行研究,已成为生物特征鉴别方面的热点,在当代社会生活中仍然具有深远的科学意义和广阔的应用前景。在许多应用场景下,如在安全防控领域,若采用传统的指纹识别方法对指纹进行单一的特征识别,会存在一定的局限性。随着深度学习在诸多领域近年来的出色表现,因而考虑能否通过使用深度学习框架,采用多特征融合提取特征来提高指纹识别的可靠性,这正是本文研究的重点。本文提出了一种基于深度学习的指纹识别方法,将指纹的细化图像和细节点图像进行特征融合和特征提取,将输出的特征向量进行识别实现指纹识别。具体的步骤分为以下几部分:（1）通过图像分割、方向场计算、图像增强、二值化和细化对图像预处理;（2）提取细节点,得到细节点图像,将细化图像和细节点图像共同作为网络输入;（3）为了使细化图像和细节点图像获得相同的通道数,让它们分别通过一层卷积神经网络CNN,然后进行特征融合;（4）将特征融合后的输出作为VGGNet-19的网络输入,提取融合后的特征,输出的是128维特征向量;（5）最后采用三层全连接网络进行指纹识别,要对比的目标模型已通过上述过程得到一组128维特征向量,将两者进行相似度计算,相似度最高的即为识别结果。本文的实验内容主要有以下三部分:（1）实验一和实验二用来确定实验的最佳学习率,它们的数据集使用的是三种不同质量的指纹图片,通过足够的训练次数之后,实验二的识别率能达到百分之百比优于实验一,确定了训练和测试的最佳学习率为0.0001。（2）接下来通过实验三把三种不同质量的指纹图片两两混合并进行测试,通过足够的训练次数,三组混合后的指纹数据都能达到相同的识别率,验证了该网络融合模型对不同质量的指纹特征进行融合提取,它的识别都能具有一致的准确率结果。（3）最后,选取多组不同的数据集进行测试指纹识别的精确率,验证多场景下本模型的最终识别效果,发现在数据集数量过多时,指纹精确度会受到一些影响,但总体达到了比较满意的结果。实验结果表明,本文提出的指纹识别方法准确率较高。