传统的个人身份认证例如身份证,密码等存在着容易丢失遗忘,安全性较差等问题,而生物特征识别技术具有高安全性,便捷性等优点因而得到广泛关注。掌纹识别作为一种新兴的生物特征识别技术具有识别精度高、采集设备简单方便、用户接受性好等优点。目前掌纹识别技术尚处于理论探索阶段,相比于其他生物特征例如指纹、脸部、签名等,掌纹识别技术有着巨大的发展潜力和应用前景。然而,掌纹在采集过程中,手掌的摆放姿势、伸缩程度等不同都会造成掌纹图像平移、旋转、缩放、畸变等现象,该现象称为掌纹形变。形变的存在会导致识别准确率下降,而现有的掌纹识别算法还不能很好地解决以上问题。针对以上问题,在深度学习框架下,本文提出了基于掌纹局部纹理信息以及局部几何特征来提高掌纹识别的准确率。本文主要工作如下:本文首先验证了卷积神经网络在掌纹识别上效果的优越性,并且在卷积神经网络的基础上引入了 Gabor滤波器。卷积神经网络在训练时,并不需要类别标签,从而实现了无监督训练。在CASIA和IITD两个掌纹数据库上验证了本文算法,在大部分情况下,本文方法获得了更高的识别精度。其次,本文阐述四种三维掌纹的曲率特征提取方式,分别为平均曲率、高斯曲率、形状索引和表面类型四种。并且将四种不同的掌纹曲率特征与当前流行的深度学习框架相结合,由于三维掌纹识别主要是根据掌纹表面凹凸结构进行判断,且不易受到外界因素的影响。所以本文提出的算法通过提取三维掌纹曲率特征,克服了掌纹形变的问题,并结合深度学习框架进行识别。在实验中本文使用了香港理工大学公开三维掌纹数据集。通过在四种不同的卷积神经网络下进行测试,验证了本文算法的有效性,同时本文方法在时间上也远远优于传统的掌纹识别方法。