近年来,手指静脉特征成为生物特征研究领域中的热门研究方向,因其具有活体识别、内部特征、防盗取性强等特性,被有关科研人员认为是具有很高安全性的生物特征。随着技术趋于成熟,应用逐渐广泛,指静脉图像数据库的数据量也逐日剧增,致使大规模的指静脉图像数据库将当前的存储成本和计算成本提到一个新的高度,因此对指静脉图像的高效索引的构建问题的研究具有着重大的研究意义。现存的指静脉索引算法模型多采用非端到端的指静脉图像特征提取与哈希函数学习分开进行的模式。这种两段式结构就会产生静脉特征的维度难以限制在较低的维度、哈希函数的学习难以将样本相似性和类别标签信息同时兼顾等一系列问题,并且对于采集设备无法统一的实用场景没有给与足够的关注。本文提出了一种基于身份信息保持和多尺度注意力机制的设备迁移指静脉图像的高效索引算法,主要工作如下:1)基于类别信息保持和动态量化的指静脉索引网络结构本文的出发点是将同类的哈希码之间的汉明距离拉近至零,异类的哈希码之间的汉明距离推远至哈希码长度。基于此,本文设计了一个端到端的指静脉图像量化编码网络结构,采用了成对的（pair-wise）对比哈希损失函数进行优化。另外,加入了交叉熵损失函数对编码网络协同训练优化。同时给出了一种动态松弛量化系数。实验结果分别为:在FVPoly U指静脉数据集上128位的平均查准率为97.645%,在Merged-FV2040指静脉数据集上128位时的平均查准率为90.773%。2)基于多分组多尺度注意力机制的特征表达为了保证哈希索引在指静脉图像查找过程中的准确性,现有的方法往往采用了较高的维度特征,产生的哈希编码自然也有着很高的码长。这种做法虽然保证了哈希码的准确性,却直接提高了指静脉图像索引在查找过程中的计算负担,降低了查找效率。本文针对于这种问题,提出了一种基于多分组多尺度注意力机制的特征表达,通过对输入特征进行通道分组,进而对组内特征进行不同尺度的特征提取,并评估其重要程度,并计算加权系数,放大重要关键特征起到的作用。实验结果分别为:在FVPoly U指静脉数据集上128位的平均查准率为98.369%,在Merged-FV2040指静脉数据集上128位时的平均查准率为94.369%。3)基于主从标签学习的设备迁移指静脉索引在线构建算法当在指静脉数据库中添加了不同厂家生产的采集设备采集的指静脉图像,由于不同厂家生产的设备打光条件、打光方向、设备内部构造以及设备参数的不同,不经过重新训练模型难以保持足够好的性能表现。而每当新增一个有差异的设备的时候就需要重新训练模型是难以令人满意。针对这种情况,本文提出了主从多标签的概念,利用样本的类别和设备的双重属性给出主从标签学习损失函数。通过该损失函数使网络得以学到样本间相似性和设备间关系,并且可以将其关系迁移到新设备数据集上,构建出性能更佳的指静脉哈希索引数据库。多设备指静脉图像数据集上128位的平均查准率为92.496%。