随着信息技术的发展和移动端智能设备的普及,非接触式掌纹识别技术被认为是一种可用于移动设备身份验证的有效方法。与传统的掌纹识别应用场景相比,移动端掌纹识别易受复杂背景,光照变换,手掌姿态等因素的影响,针对移动端的非接触掌纹识别技术研究是当前研究中的热点问题。近年来,深度学习技术的快速发展为解决移动端掌纹识别提供了有效的技术手段,本文利用深度学习技术对移动端掌纹识别研究中的关键问题进行了研究,主要内容如下:(1)提出了一种基于Faster RCNN的移动端掌纹活体检测方法。针对移动端掌纹识别中可能受到身份攻击的问题,本文提出了基于Faster RCNN网络的掌纹活体检测研究算法。实验发现,真实掌纹图像与伪造图像在RGB颜色空间比较难区分,本文使用含有色度亮度信息的YCb Cr空间图像进行网络训练,融合颜色信息和纹理特征进行身份确认及掌纹感兴趣区域(Region of Interest,ROI)定位,并通过调节网络中候选框(anchor)缩放比例使检测和定位更加准确。在自建立的针对移动端掌纹活体检测问题的数据库上取得较好的检测效果,本文提出的方法可以抵御伪造图像攻击,有效率达到99.5%。(2)针对移动端硬件资源有限问题,提出了一种轻量的掌纹识别卷积神经网络PR-Res Net。PR-Res Net在深度残差网络(Residual Network,Res Net)基础上使用可逆残差模块(Inverted Residual Block)构建深层次网络进行特征提取,减轻特征退化,同时使用深度可分离卷积(Depthwise Separable Convolutions)代替卷积神经网络中的标准卷积进行模型优化来减少参数存储量和计算复杂度。实验结果表明,该方法在两个公共数据库(CASIA,IITD)和本文自行建立的针对移动端掌纹识别数据库上均表现良好。本文提出的方法占据存储资源更小,识别准确率达到95.77%。(3)设计并实现了基于TFlite的移动端掌纹识别系统。移动设备掌纹认证系统使用主要分3个步骤,通过调用摄像头在掌形引导窗引导下完成掌纹图像采集,点击注册按钮使用本文提出的针对移动端的掌纹识别算法进行特征提取完成用户注册。并点击认证按钮通过特征匹配算法完成用户身份认证。本文针对移动端非接触式掌纹识别中存在的复杂背景等问题进行研究,设计实现了轻量化的PR-Res Net网络,并融合颜色信息及纹理特征使用Faster RCNN进行掌纹活体检测,最后在移动端设计实现了基于TFlite框架的掌纹识别系统。