虹膜识别由于具有准确性、稳定性、非接触性等特点而成为最受关注的安全识别认证方法之一。该方法利用虹膜丰富的纹理信息对个体进行身份验证。由于深度卷积神经网络具有强大的特征提取能力,本文基于深度学习的方法分别设计了应用于虹膜识别任务的虹膜检测与分割以及识别的架构。在对虹膜图像进行识别前,首先要对人眼图像中的虹膜区域进行检测与分割。不同于以往使用Adaboost级联分类器等传统方法对虹膜进行检测,再利用霍夫圆变换等方法分割虹膜区域的方法,本文设计了基于Mask R-CNN的检测与分割一体的网络。该网络参考了双检测器头部的设计,对网络的检测器头部进行重新设计,将检测器的分类与回归分支解耦,使得回归分支的特征仍具有回归需要的空间特征,而分类分支也可以充分利用经过全连接层聚合后的全局信息。由于虹膜识别往往部署在移动端,所以在保证准确率的同时需要轻量的网络架构,本文探讨了蒸馏技术在虹膜检测网络中的应用,采用均方误差损失函数约束学生网络的骨干模型特征与教师网络的骨干模型的特征的距离,使得学生网络在教师网络的指导下挖掘出更具表达能力的特征,从而提高下游检测与分割任务的能力。最后,本文设计了轻量的虹膜识别网络,将序特征比较模块插入识别网络,利用三元组损失函数端到端训练,充分挖掘了虹膜纹理的相关性特征。本文在多个近红外光条件下采集的数据集ND-IRIS-0405,CASIA-Lamp及CASIA-Thousand和可见光下采集的数据集UBIRIS.v2和MICHE中对本文方法进行了实验验证和评估。实验结果表明,本文的检测方法能够有效检测和分割非理想情况下的虹膜图像,并有较好的泛化能力。本文提出的识别网络,参数量少,能够鲁棒和准确地提取虹膜特征,实现身份验证,与现有方法相比也具有很大的竞争力。