虹膜识别技术具有稳定性、唯一性、防伪性等特点,相较于其他生物特征识别技术优势更大。它的两大核心部分是虹膜定位和虹膜分类,虹膜定位是找到虹膜边界圆和瞳孔边界圆,而虹膜分类则是依赖于虹膜定位得到的内外边界圆,提取归一化后的虹膜特征进行匹配。因此,需要精准且快虹膜定位方法,以及表征能力强的特征提取网络。传统的虹膜定位方法依赖于虹膜内外边界处的边缘信息,容易因眼镜、光斑、眼睑等干扰,导致定位失败问题。考虑人的虹膜和瞳孔非常接近于圆,而虹膜定位则是找出虹膜内外边界圆,因此本文提出将虹膜定位问题转换为高IoU要求的目标检测问题,端到端输出虹膜内外边界信息,提高了虹膜定位的准确度和速度。在CASIA-Iris-Lamp和CASIA-Iris-Thousand数据集上,基于Cascade R-CNN的虹膜定位算法的定位错误率分别是0.016和0.034,而基于Daugman虹膜定位算法实现的OSIRIS V4.1错误率高达0.4以上。从粗粒度角度来看,人的眼睛部分具有很强的共性。例如,眼睛的形状结构一致、瞳孔的形状趋近于圆、以及虹膜的形状。根据虹膜图像的特性,它并不是和人脸图像一样具有很强的多样性,因此是一个简单但高IoU要求的目标检测问题。针对标注获取难度大的问题,本文提出结合传统虹膜定位算法提取标注数据。随着近几年深度学习的飞速发展,图像分类方法的精度和速度得到很大提升。虹膜识别其本质也是分类,并且虹膜识别的载体是图像,那么将深度学习与虹膜识别相结合则变得非常有意义。针对传统虹膜特征提取方法受眼睑、光斑、睫毛等因素影响大,并且特征表征能力较卷积神经网络弱。因此,除了对虹膜定位进行研究外,本文从深度学习角度切入,对虹膜图像分类进行研究,提出用于虹膜分类的基于多策略的卷积神经网络分类模型。优化器方面,使用Radam和Lookahead组成的优化器进行优化,一方面能加速收敛,另一方面能提高精度。根据虹膜特性,使用Patch块输入,加强模型泛化性,一定程度上提高精度。损失函数方面使用label smoothing优化cross entropy loss,同时引入center loss、soft margin triplet loss,弥补softmax loss对类间距离优化的不足,有效的提高了虹膜识别模型的精度。本文对虹膜定位和虹膜分类进行研究,创新点如下:(1)为了解决基于图像处理的虹膜识别方法在眼睑、光斑、睫毛等干扰情况下定位能力差的问题,提出将虹膜定位任务转换为高IoU要求的目标检测任务,端到端输出虹膜内外边界信息;(2)为了减少目标检测建模时获取标注信息的复杂度,提出结合传统虹膜定位方法获取定位信息;(3)根据虹膜单人样本数量不同,构建了分别以度量学习和分类为主的2种基于卷积神经网络的虹膜分类模型;(4)引入了Radam和Lookahead的组合优化器、多种损失函数、Patch训练,从而增强虹膜分类模型的表征能力。