当今21世纪,是科技迅猛发展和数据爆炸的年代,同时现代科学技术高速发展也推动着互联网科技时代的到来。人们每天都要面临着大量的数据化信息,这些信息已经融入了每个人的生活。但是,这些信息有很大一部分是需要受到人们的高度重视,尤其是一些和个人信息有关的生物信息数据与密码和身份证相比更是每个人独一无二的标志,是一个人身份的象征,同时与传统的密码技术相比生物信息技术具有着更高的稳定性和唯一性。所以如生物信息数据更需要我们谨慎对待。这其中虹膜识别技术更是因为它技术的独特性收到广泛的关注。这也就让科研工作者直接面临着一个问题就是虹膜信息的准确提取和识别。在虹膜识别系统的整体流程中,虹膜的定位算法占据着至关重要的位置,只有准确并快速的定位出来虹膜的内外圆才能在后续的特征提取和识别的过程中得到高准确率的结果,虹膜定位部分是整个虹膜识别系统中最耗费时间的部分,传统的定位算法只能单张处理图片,并由于计算量庞大复杂从而使得定位时间缓慢,从而使得虹膜识别系统的整体性能降低。本文将基于深度学习的目标检测观念引入了虹膜定位系统中。根据神经网络的高速运算能力,不仅可以将单张图片处理的时间大幅度降低,同时也可以进行批处理操作,这样更减少了虹膜系统定位整体图像的时间。随着近几年深度学习技术的不断深入发展,神经网络引起了广泛的关注。目标检测算法也从传统手工提取特征的算法转向了使用基于深度神经网络模型的检测技术。目标检测算法主要的目的是在图片中将我们所需要的部分和图片中其他的干扰部分能分辨开来,再去关注是否有我们需要的物体,如果有就进行标注监测框并且注明标注的物体类别。由于目标检测算法在开源数据集上有着出色的性能和监测效果,所以本文结合了深度学习提出了一种改进后的yolo(You Only Look Once)目标检测算法应用虹膜定位上。本文中Yolo模型使用一个卷积神经网络就能直接预测不同的目标类别及该目标物体的位置信息,具有着速度快准确率高的特点。因为yolo目标检测算法的自身评价标准置信度与目标检测算法中的交并比成正比例关系,所以能很好地反映出该网络结构的定位性能效果。所以本文系统中的kmeans算法使用一种新的计算方法通过计算质心框和当前训练集中标定框的交并比IOU距离去代替欧式距离得到质心框和标定框的距离,聚类出固定长度的先验框,在此基础上分类器网络进行对预测框的预测。并且根据虹膜数据集的图像中虹膜必须大而清晰、基本大小固定的特点,本文在yolo网络的基础上对网络结构进行了改良,提出了一种单尺度网络结构去训练图像。同时改进了原来模型的非极大值抑制算法NMS,将硬阈值标准替换成了使重叠检测框置信度衰减的软阈值标准,避免出现漏检问题,并且本文模型的平均准确率和mAP基本和原yolo模型相差不大,但是定位时间提升很多。与传统的虹膜识别定位算法相比,本文系统的虹膜定位时间大幅度减少,具有实时定位能力和批处理能力,能更好的应用到虹膜实时定位系统中。改进后的yolo模型应用于虹膜的识别系统mAP达到了98%,和基于迁移学习的yolo模型以及SSD模型相比,在基本不损失平均准确率的情况下,速度更快。