足迹是一种人体生物特征,具有唯一性和可重复性。在足迹识别问题上,足迹学方法需要依赖专家知识人工提取特征,再进行足迹相似度分析,该方法具有一定局限性,且特征提取耗时耗力。深度学习算法具有强大的抽象特征提取能力,可应用于足迹识别。但是,同一人的足迹数据很难大量获取,且足迹的类间差异较小,给深度网络的训练带来了挑战。针对2D光学赤足足迹识别问题,基于2D光学赤足足迹构建了实验数据集,在小样本学习算法和卷积神经网络的基础上,给出了两种基于相似度分析的2D光学赤足足迹识别算法,并进行了实验验证。具体研究内容如下:（1）构建2D光学赤足足迹数据集。依托足迹感知与分析实验室,按照科学规范的采集流程,采集139人的2D光学赤足足迹数据,构建数据集并进行数据预处理。为研究足迹识别算法,采用杭州创恒电子技术开发有限公司的2D光学足迹采集仪器,采集了研究对象正常行走的有效2D光学赤足足迹数据。同时,对数据集中的光学足迹图像进行去标尺、提取感兴趣区域等预处理,从而去除噪声以及冗余信息。（2）基于关系网络和多任务学习方法,给出多任务相似度网络模型,实现2D光学赤足足迹识别。针对难以大量获取同一人2D光学赤足足迹数据的问题,设计了一个自编码器,采用关系网络和自编码器构建了多任务相似度网络。首先,编码器将不同足迹图像映射到公共特征空间;然后,将不同足迹特征图拼接融合;最后,基于融合后的特征图,相似度模块可计算出足迹之间的相似度分数。由于自编码器的存在,网络训练过程中的过拟合风险被大大降低,提高了网络的训练效果。利用相似度分数可度量支持样本和测试样本之间的相似程度,从而预测测试样本标签,取得了较好的足迹识别效果。（3）基于卷积神经网络给出数据对相似度比对网络模型,对2D光学赤足足迹进行识别。利用卷积神经网络提取出表达能力更强的抽象特征,设计了数据对相似度比对网络模型。该模型首先通过待比对的足迹图像构造足迹数据对;然后采用比对特征提取模块提取数据对的卷积比对特征;最后相似度分数计算模块采用卷积比对特征计算足迹间的相似度分数。实验结果表明,该模型能够有效进行足迹识别且取得较高的精度。