深度学习指静脉识别技术中采用分类器有明显的缺点,如采用线性层进行分类时,无法对未训练过的类别进行识别。同时要实现新类别注册必须将其加入训练类别中对线性层参数重新学习,也就是新类别注册需要后台支持,并且所有训练数据需要一直保存,这将占用极大存储空间。身份识别特点是类别特别多,如要实现全中国人身份识别,网络线性层的参数量是13亿的千倍,计算机资源可能无法满足训练测试。本文提出了一个更符合实际运用需求的结合Arcface损失的特征提取网络和余弦度量的指静脉识别算法。采用一部分类别训练特征提取网络,测试时将训练好的网络参数固定,网络的输出为512*1维的特征向量,注册阶段将每类特征向量保存到特征库中,识别阶段计算输入图像的特征向量与特征库中每类特征向量的相似度,根据本文提出的最佳阈值判定其类别。本算法可以对未训练的类别进行注册和识别,并且新类别注册不需后台支持,系统也无需保留所有的训练数据。本文采用的Arcface损失直接在角空间优化决策边界,具有类内聚集类间分离的优点,被公认为度量学习中最优的损失函数。结合ROI提取、图像增强以及数据扩充和PRelu激活函数,本系统达到了高准确率和高鲁棒性,性能远优于文献中其他算法。在SDU数据库上和FV＿USM数据库上准确率均接近100%。并且在SDU库上类别训练样本数减少时,以及在FV＿USM数据库上用首次采集的数据中每类一个样本训练,第二次采集的全部数据测试时,准确率保持良好。另外我们建立了数据更多样性的联合库（SDU、SCUT、VERA联合库）来进一步测试系统对未训练过类别的识别准确率为97.24%。指静脉识别模型轻量化以便适合硬件移植非常重要。因此本论文第二部分工作就是采用人工设计轻量化模型策略搭建了特征提取轻量化网络DConv Net。网络参数量为23万（0.23M）,在FV＿USM库上准确率为99.39%,优于文献中其他算法。在SDU库上准确率为97.64%。另外我们在SDU库上测试了DConv Net对未训练类别识别的准确率为92.19%。