随着生物特征识别的可靠性和准确性指标需求的增加,指静脉识别成为一个广泛研究的重要分支。较之其他的生物特征识别,其具备活体检测功能,且应用较为简便,因此具有重要研究意义。近年来,随着深度学习的广泛应用,识别算法的准确率和鲁棒性不断提高,但如何进一步提升鲁棒性仍存在挑战。论文主要研究工作和创新性如下:（1）为了降低图像扰动对算法提取鲁棒特征的影响,采用有监督和无监督数据增强方法,辅以归一化处理,丰富数据量并降低过拟合。为了解决雾状模糊和光照不均等指静脉图像质量问题,采用了去雾与带限直方图均衡相结合的方法。为了减少图像背景影响,设计并实现了深度分割网络R-LAB（Refine-Laboratory）。在浅层下采样过程添加上采样支路,并引入跳接来提高浅层纹理特征利用率;以可分离空洞组卷积取代传统池化,降低信息损失;在上下采样的衔接处接入空洞空间金字塔池化,获得多尺度深层语义特征;利用Focal loss降低了样本像素不均衡情况影响。（2）针对现有指静脉图像分类网络预测准确率低的情况,提出了一种改进Xception的鲁棒分类网络。在原Xception网络的每个卷积块结构后增加全局平均池化过程,进行多尺度的特征预测,以融合池化特征作为最终分类依据;在残差支路上添加残差补偿结构防止浅层信息的遗漏;利用迁移学习加快模型训练增强泛化性能;设计标签平滑交叉熵损失来缓解过拟合。实验表明,在自建数据集SF＿DA（Self＿Dataset）上分类预测的准确率为99.78%,在公开数据集SDU-FV上分类预测的准确率为99.84%。（3）提出一种基于网络特征输出结合KNN分类器的识别算法,以带权重的分类模型实现特征提取,以余弦距离为分类度量值,可以在无需训练新数据的情况下实现未注册样本的识别。为了提高分类器的鲁棒性,设置双判别阈值和两段判别区间,并以优先级加权的方式降低单一区间识别的偶然性。实验表明,在自建数据集SF＿DA上的识别准确率为99.11%,精度损失0.67%;在公开数据集SDU-FV上的识别准确率为99.53%,精度损失0.31%。本文将端对端和KNN识别方法集成到一体化系统上,包含注册采集,登录识别,数据库查询管理等功能。