随着人们对个人身份信息保护的意识越来越强,指静脉识别技术因其方便快捷且安全性高的特点已经被广泛应用于各类身份认证场景。然而,为了保证用户的舒适度,目前市场上静脉采集设备往往采用非严格固定手指的方式采集指静脉图像,用户在放置手指时难免会出现平移、旋转、弯曲等姿态变化,即出现特殊姿态指静脉图像,影响系统的识别性能。传统的指静脉识别算法通过提取指静脉图像的纹理、端点和分叉点等细节点作为特征进行识别,这些人工特征虽然能够较好的表达指静脉特征信息,但是对手指姿态变化的鲁棒性较差,且对静脉图像质量要求较高。而基于深度学习的指静脉识别算法一方面难以获取数量足够多、静脉姿态变化足够丰富的训练集,另一方面没有考虑正常姿态和特殊姿态指静脉图像之间的全局静脉结构变化较大而局部显著静脉相似度较高的特点,仅提取全局静脉特征进行识别,出现特殊姿态指静脉图像时识别率仍然较低。为此,本文提出了基于融合全局与局部特征网络的指静脉识别算法及其轻量化研究,具体研究内容如下:1.针对目前没有公开的特殊姿态指静脉数据集,构建了一个包含64根手指、9种不同姿态的特殊姿态指静脉数据集,对这9种姿态指静脉图像进行分析,发现不同姿态的指静脉图像整体静脉结构变化较为明显,但局部显著静脉结构相似度仍然较高,为后续研究提供了思路。针对公开指静脉数据集普遍存在图像数量不足的问题,构建了一个包含4 600根手指的大型正常姿态指静脉数据集,并针对性的扩充训练集,充分发挥深度卷积神经网络的优势。2.提出一种融合全局特征与局部特征网络的指静脉识别算法（FGL-Net）。首先,充分考虑不同姿态下指静脉图像的整体静脉结构差异较大而局部显著静脉结构相似较高这一特点,设计多分支网络结构充分独立学习不同粒度下的指静脉全局静脉信息和局部显著静脉信息,并融合全局特征与局部特征,融合的指静脉特征对手指姿态变化有着更强的鲁棒性;其次,使用Curricular Face损失和交叉熵损失共同约束FGL-Net的训练,聚合同源特征,分离异源特征,提高指静脉特征的判别能力;同时,Curricular Face损失能够在线挖掘特殊姿态指静脉图像样本进行重点训练,进一步提高网络模型在手指出现平移、轴旋转等姿态变化下的识别性能。最后,为了提取更加丰富连贯的指静脉特征,采用Mish激活函数作为FGLNet的激活层。实验结果表明,相较于现有经典网络,所提FGL-Net能够有效提高指静脉特征对手指姿态变化的鲁棒性,从而提高指静脉的识别率。3.提出一种轻量级融合全局特征与局部特征网络的指静脉识别算法（FGL-Mobile Net）。针对上述FGL-Net因模型占用空间大且计算复杂度较高而难以在嵌入式设备上应用的问题,本文设计了基于快速感受野的轻量级残差单元（SE-Frf Res Block）,并以此构建FGLMobile Net,保证在较浅的网络深度下快速扩大指静脉特征感受野从而编码更加丰富的空间特征,同时极大地减少了网络模型的参数量。为使得网络更加注重对重要指静脉特征的表达,同时抑制无关的指静脉图像信息,SE-Frf Res Block中还引入了通道注意力机制。针对FGL-Mobile Net因网络层数较浅且参数量较少引起的网络性能下降的问题,结合知识蒸馏思想,以FGL-Net为教师网络,在训练损失项中加入特征图损失以及知识蒸馏损失,指导FGL-Mobile Net充分学习FGL-Net中更为有效指静脉特征表示,有效提高了FGL-Mobile Net的泛化性能。实验结果表明,所提出的FGL-Mobile Net在基本不损失识别性能的情况下,有效降低了网络模型所需存储空间以及推理时间。