生物识别技术利用人体固有的生理或行为特征来进行个人身份的鉴定,已经广泛应用于金融、教育、医疗、社保等领域。这其中,指静脉识别技术通过红外线CCD摄像头获取手指的静脉分布图像,并提取指静脉相关特征用于身份认证,具有隐秘性、安全性和便捷性的优点。但是,在指静脉图像采集过程中,由于受到外界环境干扰,指静脉图像质量往往较低;另外,由于手指不固定,容易引起平移、旋转等姿势变化。在面对这些问题时,特别是手指姿势变化引起的相同手指之间的形态差异问题,传统的指静脉描述子提取方法通常难以获得鲁棒的描述子,识别效果较差。本文基于卷积神经网络来开展相关研究,首先提出了一种结合特征描述与编码的指静脉鲁棒描述子提取框架,接着从网络结构和损失函数两方面入手,探寻更有效的方法,最后通过实验表明,所提出的方法在SDUMLA,FV-USM和MMCBNU三个数据集上达到了最好的指静脉识别效果,具有一定的理论意义和实用价值。具体的研究工作如下:1、提出一种结合特征描述与编码的指静脉描述子提取框架(Describing and Encoding Framework,DAE),主要包括预处理模块、基于CNN的局部描述子提取模块和描述子编码模块。所提出的框架创新性地引入VLAD编码方法并基于三元组进行训练,能够提高描述子的表征能力和对手指姿势变化的鲁棒性。在基础网络相同的情况下,使用DAE框架提取的描述子,在图像发生随机平移时具有更好的鲁棒性。2、基于DAE框架提出了两种轻量级指静脉描述子提取网络。通过缩减VGGFaceNet的特征图通道和卷积层数,使其更适合特征少、尺寸小的指静脉图像,并将缩减后的网络作为DAE的局部描述子提取模块,得到参数量仅0.3M的网络模型,且提升了识别和验证的精度;进一步地,在网络中加入特征图复用与1×1卷积降维,使提取的描述子维度从1280降至640,基本保持了识别精度的同时提升了匹配速度。3、提出了一种样本对中心约束损失函数用于训练指静脉描述子提取网络。针对三元组损失没有约束样本对距离的类内方差的问题,通过将正负样本对视为两个类别,分别约束正、负样本对靠近其类中心,这样更容易找到一个合适的二分类阈值来划分正负样本。实验表明,使用所提出的损失函数相比于三元组损失,在指静脉验证实验中具有更低的错误率。