随着生物特征识别系统安全性和准确性需求的增加,指静脉识别受到广泛地研究。与其他生物特征相比,指静脉识别自带活体识别,安全性更高,使用更加便捷,因此具有重要的研究意义。随着深度学习技术的发展,指静脉识别算法的效果也在逐渐提高。特征提取是指静脉识别算法的研究重点之一,如何提取具有较好识别性的特征仍然存在挑战。为了提高特征的判别性,本文研究了一种增加特征判别性的损失函数。为了提取更多的语义信息,本文设计了具有双重语义的特征提取模型。为了进一步缩小特征的类内距离,本文研究了一种增加类内紧凑性的损失函数。具体地,本文的主要研究工作如下:（1）数据对基于深度学习的方法至关重要,而当前公开的指静脉数据集的数据量均较少。为了充分发挥深度学习的效果,本文构建了一个目前为止最大的指静脉数据集。该数据集中有6180种不同的指静脉类别,数据量是其他现有公开数据集的数倍。（2）为了提取具有判别性的特征,通常的做法是在损失函数中增加间隔,使模型的决策边界收缩,从而实现在特征之间增加间隔。这种间隔的大小由损失函数中的超参数决定,在训练过程中一直保持固定。然而,本文通过实验发现,这些基于固定间隔的方法会使部分特征出现重合,影响了特征识别的性能。因此,本文提出了一种基于动态间隔的损失函数。具体地,间隔的大小由特征的后验概率确定,当后验概率较大时,特征的间隔减小;当后验概率较小时,特征的间隔增大。与基于固定间隔的方法相比,本方法减小了间隔对特征的约束力,也减少了特征的重合,进而提高了指静脉识别的效果。实验证明了该方法在多个数据集上均优于基于固定间隔的方法。（3）为了增加特征的语义信息,传统的特征提取流程使用了有监督的信息进行模型训练,也就是说这种方法仅仅具有有监督的语义特征。受到使用自动编码器进行无监督数据降维方法的启发,本文认为该方式提取的特征同样具有丰富的语义信息,也能在指静脉识别中发挥重要作用。本文设计了一种具有双重语义的特征提取模型,该模型结合有监督与无监督特征提取方法,复用一个特征进行模型训练。与只使用有监督信息或者只使用无监督信息相比,增加了特征的语义信息。由于无监督部分使用的解码器需要从低维特征重构输入,因此去除了原始输入中的冗余信息,本文对这种方法重构的输入进行了可视化展示。实验证明使用该方法提取的特征在指静脉识别上具有更好的性能提升。（4）基于间隔的损失函数通过压缩决策边界间接的压缩了类内距离,提升类内紧凑性,从而提高了特征的判别性。但是这种方式对类内紧凑性的提高是有限的,若间隔设置过大容易使模型收敛困难,出现更多特征重合的情况。针对这个问题,本文基于中心损失函数提出了角度中心损失函数。该方法为每类特征学习了一个特征中心,该中心的方向是所有特征方向的均值,同时惩罚了特征离中心的余弦距离,也就是特征与中心的夹角。角度中心损失函数解决了中心损失函数训练测试不匹配的问题。本文通过对比实验发现角度中心损失函数具有更好的性能。此外,为了更直观地理解角度中心损失函数的作用,本文进行了一些理论分析和可视化展示。