在信息交互日趋频繁的社会中,对个人身份认证的需求越来越多,生物特征识别相对传统的身份认证手段具有更高的可靠性。人的手掌包含丰富的静脉信息和掌纹信息,结合静脉和掌纹的信息能够更好的表示手掌特征,其在门禁系统中得到越来越多的应用。接触式和非接触式的采集方式是手掌图像主要的两种获取方法,本文分别以香港理工大学接触方式下采集的手掌图像库和中科院非接触方式下采集的手掌图像库为实验数据,对卷积神经网络结构进行研究和优化,使其适用于手掌图像的识别。本文研究了一种优化的卷积神经网络,通过对其参数进行调整来进行手掌特征识别。相对于传统的手掌特征识别算法,卷积神经网络具有特征学习能力,省去了预处理的过程。本文是在LeNet-5网络模型的基础上进行优化,通过调整网络结构和参数来实现对手掌图像进行特征识别和分类,然后基于公开手掌图像库验证其性能,并与传统的特征识别算法进行对比。结果表明,优化的网络模型可以有效的对手掌特征进行识别和分类。卷积神经网络虽然具有较强的特征表示能力,但仍需要大量的训练样本对网络结构和参数进行训练,但同时也带来了较大的计算量。对于如何在数据量较小的数据库上训练卷积神经网络的问题,本文研究了一个双通道网络结构,并将其应用于手掌特征识别中。该双通道网络结构利用三个卷积层对手掌特征进行学习,最后通过SVM分类器进行分类。在公开的手掌图像库上进行验证,结果表明该网络结构具有较强的学习能力。即使在没有预处理的情况下,也可以进行有效学习并适应个体之间的差异。