由于虹膜具有稳定、唯一、不易伪造和纹理特征丰富等特点,虹膜成为现代身份识别领域最热门的生物特征。虹膜识别主要由虹膜图像获取、虹膜图像预处理、虹膜特征提取和虹膜特征匹配四个步骤组成,实现对虹膜图像的精准定位和特征有效提取是虹膜识别领域中的主要研究方向。传统的虹膜识别方法主要通过捕捉图像中的灰度变化,使用二维滤波器来提取虹膜的纹理特征,实现虹膜识别。近几年,深度学习高速发展,卷积神经网络在图像分类和图像识别领域取得了巨大的成功。本文主要将虹膜识别问题与深度学习相结合,提出了基于空间和通道注意力的残差网络模型Attention-SERes Net,使用该模型进行虹膜识别,获得了更高的识别精度和更强的鲁棒性。本文的主要研究工作如下:1、虹膜的精准定位是实现虹膜识别任务的关键,虹膜图片中常常包含睫毛遮挡以及镜片反光等常见干扰。传统的虹膜定位方法对虹膜图像的质量要求较高,且无法精准定位。本文通过使用Iris-Osiris实现虹膜的粗定位,通过人工挑选定位较准的虹膜图像作为目标检测网络的训练数据,使用训练后的目标检测网络定位所有的虹膜图像数据,实现更为精准的虹膜定位。2、本文结合残差连接和Squeeze-and-Excitation（SE）操作,以SE-Res Net模块为基础,提取虹膜特征。由于虹膜图像具有丰富的纹理特征,低语义的纹理特征有助于模型提高虹膜识别的准确率。将不同层SE-Res Net模块的输出进行上采样,保持相同的特征图大小,在通道维度进行拼接。通过使用通道注意力机制对深层和浅层特征进行筛选,使用空间注意力机制提升网络对虹膜图像关键纹理区域的感知能力。使得模型能够同时获取底层和高层语义的特征表达,忽视睫毛、眼睑或者无虹膜纹理区域的干扰,有效提高了虹膜识别准确度。3、虹膜识别任务并非一个简单的图片分类任务,在虹膜识别中,训练集与测试集的分布并不相同,并且每一类的图片数量较少,而类数较多。仅使用交叉熵损失（Cross Entropy Loss）函数提高模型的特征抽取能力,无法在测试集上取得很好的识别表现。本文结合交叉熵损失函数,中心损失（Center Loss）函数以及三元组损失（Triplet Loss）函数,提出了Attention-SERes Net模型的联合损失函数,用于增大虹膜特征向量的类间距离,减小虹膜特征向量的类内距离。4、通过在虹膜识别任务中常用的CASIA-Iris-Lamp数据集和CASIA-IrisThousand数据集上进行验证,本文提出的Attention-SERes Net模型分别取得了1.78%和1.86%的相等错误率（Equal Error Rate,EER）,验证了本文提出的Attention-SERes Net模型能有效提高虹膜识别的准确度。