掌纹识别技术作为新兴生物特征识别技术的代表之一,具有其独特的优势:掌纹含有更多的可辨识信息、掌纹的主要特征显著且稳定、采集方法简单且易于被大众接受、掌纹难以伪造等等,因此,掌纹识别技术逐渐成为生物特征识别领域的研究热点,具有重要的理论研究价值与实际意义。本文提出了一种用于掌纹识别的轻量级卷积神经网络模型,经过有效的图像预处理之后,利用该模型进行掌纹图像特征的提取并且使用Softmax函数进行分类,相较于当前较成熟的卷积神经网络模型AlexNet、SqueezeNet模型算法,本文提出的算法拥有相同水平的识别精度与更小的模型和计算量,更适合在嵌入式小型硬件设备上运行。本文主要的研究工作如下:掌纹图像感兴趣区域的提取质量对整个识别系统的性能表现有着决定性的影响。本文提出一种有效的感兴趣区域分割算法对掌纹图像进行分割,提取出掌纹纹理信息最丰富的部分来进行后续的实验。由于训练搭建卷积神经网络通常需要大规模的训练样本集,而在目前具有权威性的公开掌纹库中,样本图数量作为训练样本明显不足;另一方面考虑到旋转、模糊以及噪声对掌纹识别结果的影响,本文提出一种基于旋转插值、模糊处理和添加噪声的方法来实现掌纹图库的扩充,在满足卷积神经网络对于大规模数据量要求的同时增强了网络对特殊掌纹图像的识别能力。卷积神经网络模型架构的设计是决定系统识别性能的关键性因素,也是利用卷积神经网络进行识别的难点之一。本文通过借鉴轻量级网络SqueezeNet架构核心思想,提出一种新的核心模块X-Module,之后利用该模块搭建一个用于掌纹识别的新轻量级卷积神经网络模型,并且设计相关实验分别确定模型中的关键参数(核心模块数,卷积层,训练批次数目以及迭代次数),最后采用Softmax函数进行分类,实验使用中科院自动化掌纹库(CASIA)作为原始数据库。实验结果表明,本文提出的掌纹识别算法相较于传统投影特征算法具有更高的识别准确率与稳定性,相较于目前成熟的卷积神经网络模型算法AlexNet、SqueezeNet,本文算法的识别精度与其处于同一水平,但是本文的模型更加精简,参数数量更少,整体计算复杂度更低,适合于掌纹识别系统在移动端嵌入式设备上的应用。