虹膜识别是一种重要的身份鉴别手段,是生物特征识别的重要组成部分。由于虹膜的纹理结构具有高度的独特性和稳定性,虹膜识别具有非接触性、非侵犯性等特点,其在身份认证中的重要性日趋凸显。然而由于在虹膜识别中存在光照变化大、运动模糊、光斑或眼皮遮挡等现象,使得虹膜图像质量下降,影响了虹膜识别的准确率,因此虹膜识别大多只能在有严格约束的条件下进行,从而影响了虹膜识别技术的广泛应用。本文面向非约束条件下的虹膜识别应用,针对虹膜识别过程中遇到的图像模糊、遮挡等问题,以虹膜视频序列图像代替单幅虹膜图像,在虹膜图像预处理、虹膜图像特征提取与识别方法上进行了研究。本文对有关问题的研究,不但具有一定的理论价值,而且有着重要的现实意义。提出了改进的基于L0正则化的虹膜图像去模糊方法。将图像暗通道的稀疏性与图像梯度、模糊核的稀疏性一起作为图像盲去模糊的正则约束项进行优化求解。同时在基于视频序列的虹膜图像去模糊过程中,加入了基于自然场景统计的图像模糊度量指标,提高了去模糊运算的效率,避免了对图像质量的破坏。提出了基于多尺度变换与区域分类的虹膜图像融合方法。在基于SIFT特征点的图像配准基础上,对整体区域采用改进的基于多尺度变换和稀疏表示的图像融合方法进行融合,再依据虹膜区域与非虹膜区域分类划分的结果,采用改进的拼接融合方法进行融合,既保留了更多的有用信息,又避免出现模糊、伪影等现象。研究了基于生成对抗网络的虹膜数据增强模型和基于全卷积神经网络的虹膜特征提取方法。以条件生成对抗网络为基础,在生成器网络中将原虹膜图像作为条件输入,并在低维特征表示中加入随机噪声,判别网络以原数据、同类数据、生成数据作为输入,以三元组判别方式进行判别,整个模型提高了生成虹膜数据的变化度,同时又保持了类别一致性。在基于全卷积神经网络的虹膜特征提取模型上利用数据增强模型扩充后的数据进行训练,提高了虹膜识别的性能。