由于生物识别技术与金融证券、信息安全、国防、交通等领域相关,所以安全性可靠性要求极高。而虹膜识别技术被公认为目前世界上最稳定和最安全可靠的生物识别技术之一,一般应用于比人脸识别具有更高安全等级要求的场合,如保密性极高的安保系统等。而随着虹膜识别技术的不断发展与广泛应用,针对虹膜识别的攻击频率和攻击手段也越来越多,给虹膜信息安全带来了巨大的挑战。目前,针对虹膜识别系统的主要攻击方式主要有纸质打印虹膜攻击、利用彩色隐形眼镜的伪造纹理攻击以及虹膜对抗样本攻击。尽管为应对以上攻击方式带来的虹膜信息安全问题,学界已经进行了大量的防伪研究工作,但是虹膜信息安全研究还远远不足,仍有很大的提升空间。其次,针对虹膜对抗样本的研究才刚刚起步,现有防伪算法的防对抗性有待考究,且现有的虹膜防伪检测算法一般只针对一类伪造虹膜有效,这与实际检测场景下伪造虹膜种类的不确定性相违背。因此,本文围绕现阶段存在的虹膜信息安全问题,提出了自己的解决方案。论文的主要工作和成果如下:1.提出了一种频谱分析与图形分析结合的方法用于纸质打印虹膜防伪检测。本文将纸质打印虹膜防伪检测分为两步:第一步通过FFT变换提取虹膜的频谱特征,然后通过特征域转换和降噪处理,对特征作进一步优化;第二步再从图像分析的角度进一步提取频谱能量特征来进行特征分类。本文保留了原始的频谱能量分析法的优点,通过降噪处理以及图像分析优化了特征提取和分类过程。2.针对虹膜纹理的特征提取进行了相应优化,本文提出了一种基于GLCM的改进纹理提取方法,通过调节或改变纹理特征的感受野来提取彩色隐形眼镜的伪造纹理中有规律性、关联性的纹理特征。同时,提出利用神经网络直接对所获得的纹理特征矩阵分类,以保留更多且更精确的虹膜纹理信息,从而在防伪检测的准确率上取得更高的精度。3.本文从实验与理论的角度验证并分析了现有虹膜防伪算法的弱防对抗水平及其原因,并受虹膜对抗样本的生成方式启发,提出了一个有效的防对抗检测模型,揭示了虹膜对抗样本与真实样本在深层特征上的区别。同时,提出了一种基于多层次特征融合的虹膜防伪检测方法。它通过三个独立的CNN通道,分别提取虹膜样本的频谱能量特征、虹膜纹理特征以及对抗样本的深层特征,然后通过注意力集中模块和特征融合模块对三通道特征进行提炼融合,从而保留各类伪造虹膜的防伪算法的优点,实现多类别伪造虹膜的综合检测。