随着时代发展,基于生物特征的身份识别逐渐代替传统身份鉴别方式,广泛应用于人们日常生活中。在众多生物特征中,虹膜识别的稳定性和安全性最高,因此具有广泛的应用场景和很高的研究价值。本文针对现有虹膜识别算法的不足,利用深度学习对虹膜分割和识别进行改进,提出基于注意力机制特征融合网络的虹膜分割和基于残差孪生网络的虹膜识别。虹膜分割是将虹膜区域从整个虹膜图像中分离出来,以便后续进行虹膜识别研究。传统的虹膜分割算法对于光斑、睫毛、眼睑遮挡的图像无法进行准确分割,有眼镜遮挡图像分割效果更是差强人意。卷积神经网络在图像分割中已经展现出很高的分割性能,但是直接用在虹膜分割任务中并不能取得很好的分割效果,针对问题提出基于注意力机制的特征融合网络(Attention mechanism Feature Fusion Networks,AFFN)。具体工作有:(1)由于虹膜图像的真值区域难以标注,目前用于分割的数据集样本量较少,通过亮度变化、旋转、裁剪等方式对虹膜数据集进行扩充。(2)针对全连接网络(Fully Convolutional Networks,FCN)在图像分割时池化层造成信息丢失的问题,通过分析FCN不同卷积层产生的特征图,设计出一种特征融合的方法。(3)对融合之后的特征通道添加权重,加强有效特征,丢弃无效信息。(4)在CASIA-Iris-Thousand、CASIA-Iris-Interval和UBIRIS三个虹膜数据集上进行实验,和其他算法相比,本文提出的分割算法具有很强鲁棒性,实现准确的虹膜分割。本文研究开集上的虹膜识别,测试集和训练集的类别不完全相同。传统的特征提取算法鲁棒性较差,而基于深度学习的方法大都是将虹膜识别看作是一个分类任务,不适合用于开集虹膜识别的研究。针对以上问题,提出了基于残差的孪生网络(Siamese Network of Residual,Res-Siamese)。具体工作有:(1)对虹膜图像通过亮度、角度的变化进行扩充,用于研究特征提取算法的鲁棒性。(2)改进残差网络的残差模块,增加特征提取能力,同时移除批规范化层,减少内存消耗,改进后的残差块用于孪生网络进行特提取。(3)在CASIA-Iris-Interval数据集使用未规范化的虹膜图像进行实验,通过特征间欧氏距离的统计图表明特征的准确性,通过对比实验证明本文设计的虹膜识别算法具有很高的准确率。