随着科学技术的飞速发展,基于生物特征识别的智能身份鉴别方法因为其携带方便,易于采集,唯一性等特点而受到了越来越广泛的关注。其中虹膜识别由于具有高可靠性和非侵犯性,被认为是最有前途的生物识别技术之一,已经成为生物特征识别领域中的研究热点。以前的大部分虹膜识别系统都是基于近红外摄像机采集的灰度图像,而且采集环境受到严格限制,要求用户在使用时配合,所以能够达到很高的识别率。本文利用UBIRIS彩色图像虹膜数据库分析了基于非理想情况下采集的图像的虹膜识别性能,并研究了数据融合在比对层和决策层对系统识别性能的影响。论文的主要工作和贡献如下:(1)提出了基于彩色图像的虹膜定位算法,首先将彩色图像分成单独的颜色通道,根据红色通道和蓝色通道的特点,在两个颜色通道上分别对虹膜的内边缘和外边缘进行定位,二者融合之后得到的就是彩色图像的定位结果。改进了虹膜粗定位方法,并从运行速度的角度对Hough圆检测方法进行了改进。(2)基于单一颜色通道的虹膜识别,比较了5种常用颜色空间中各颜色通道的虹膜识别性能。提出了基于比对层融合的虹膜识别算法,利用Min,Max,Sum,Product,User Weighting和Matcher Weighting等对各颜色通道产生的比对结果进行融合。在此基础上,分析了单一颜色空间中的比对结果融合性能以及来自不同颜色空间的通道之间的融合性能。(3)提出了基于决策层融合的虹膜识别算法,基于加权K近邻和加权多数投票相结合以及加权模糊K近邻和加权多数投票相结合进行虹膜识别。提出了三种K近邻加权方法,然后依据各颜色通道的性能(EER,均值和方差等),对各近邻权值加权求和,从而确定图像所属的类。(4)研究了基于两个模板的虹膜识别性能,并提出了基于半监督学习和增量学习的虹膜识别算法,在系统的工作过程中,利用其学习能力,自动更新数据库中各类的模板,以便改善系统的性能。