随着信息化时代的到来,信息的安全性与保密性引起了人们的高度重视。目前,指纹识别是生物特征识别技术中较成熟的一种身份认证技术,但指纹存在于皮肤表面,容易受年龄、指腹损伤、污渍等的影响,且容易被复制盗用。而静脉识别是利用手指中的静脉特征进行身份认证的技术,具有活体识别、不易被盗用和非接触等独特优势。因此,研究手指静脉识别技术在保证个人信息安全方面具有重大意义。本文首先从手指静脉成像的基本原理出发,搭建了手指静脉图像采集装置,并建立了一个手指静脉图像样本集。然后对采集到的图像进行预处理,为后续的提取特征做准备。先提取了手指静脉的感兴趣区域,对静脉图像的尺寸和灰度进行了归一化处理,并采用多级滤波的方式去除图像中的噪声,再利用基于静脉纹路的八方向谷形检测算法分割出手指静脉纹路,同时对出现的斑点、空洞进行修复处理。针对主成分分析（PCA）、线性判别分析（LDA）和局部二值模式（LBP）等传统算法小样本条件下识别率低的问题,提出了结合主成分特征提取的稀疏表示分类算法（PCA-SRC）,其可保持手指静脉空间的流形结构,解决了在小样本图像识别中特征方程矩阵的奇异性问题,同时降低了特征维数。利用自建手指静脉数据集进行匹配实验,结果表明PCA-SRC算法在不同数量训练样本下的识别率均高于传统算法。针对同类静脉样本变化条件下的识别问题,本文提出了一种结合卷积神经网络和稀疏表示的静脉识别算法（CNN-SRC）。首先,通过搭建卷积神经网络模型,将静脉的灰度特征映射到其线性子空间中,以使映射后的特征对于同类间的变化具有鲁棒性;然后,利用基于稀疏表示的分类识别算法进行表达与分类,从而得到识别结果。在自建数据集上与CNN算法进行实验对比分析,结果表明,当同类之间存在细微差别时CNN-SRC算法有较高的识别率。针对单模态生物特征识别固有的局限性,提出了一种基于改进SVM的静脉-指纹融合识别算法,通过匹配层融合构建并实现了基于指纹与手指静脉的多模态身份识别方法。利用单模态识别、传统加权融合识别和所提多模态融合识别算法对自建多模态数据集进行对比分析,结果表明,本文所提方法的识别率明显优于其他两种方法,且克服了单生物特征识别的缺点,提高了识别系统的安全性和准确性,为生物特征识别的应用提供了新的思路。