随着互联网的迅速发展,网络安全的威胁不断涌现,人们开始越来越重视个人的信息安全。作为一种常见的个人身份认证方式,生物特征识别系统已被广泛地应用于金融支付、个人身份认证、医疗信息化管理以及物联网安全等各领域中。在受到市场关注的同时,人们对识别系统的安全性、准确性以及用户接受性,也提出了更高的要求。面对这些机遇与挑战,仅使用单一特征的识别系统,其安全性较低,且容易受到外部的攻击。针对上述提出的单模态生物特征识别的缺点,多模态生物识别系统通过融合源自不同模式的信息来打破这些限制。本文从金融、医疗等多个领域详细介绍了多模态生物特征识别在个人身份认证方面的应用现状。在介绍虹膜归一化、静脉增强、相关分析理论以及卷积神经网络等概念的基础上,分析并且创新地提出了结合虹膜、手掌静脉和手指静脉的多模态生物特征识别。通过分析不同融合层级在多模态识别系统中的应用,本文提出了一种全新的基于多层级融合策略的生物特征识别算法。该融合策略包含了一种改进的特征融合算法和一种创新的加权投票决策融合算法。前者利用了多集并行输入的框架解决了特征融合中对输入向量的限制,后者通过特征矩阵分布信息引导最终决策,弥补决策融合信息量不够的缺点。本文将该识别算法在CASIA、PolyU和SDU三个数据库上同时进行了测试。和其他识别算法相比,该系统具有较高的识别精度和较强的鲁棒性。实验结果表明,该方法的平均准确率为99.33%,优于其他大部分的多模态生物识别算法。针对虹膜模态中需要人工提取特征的不足,本文提出了一种基于深度学习和分数融合的多模态生物特征识别算法。根据模态特性,选择将虹膜识别网络和传统静脉识别方法相结合,再利用分数融合集成多模态生物特征识别。通过对深度学习的研究分析,使用一种改进的卷积神经网络对虹膜图像进行自动识别,简化了人工提取复杂虹膜特征的步骤。该卷积神经网络利用残差连接结构和Inception模块提高网络对高层特征的表达能力,通过改进损失函数加快网络收敛,提升网络的识别性能。考虑到静脉图像的强方向性和规律性,静脉识别仍然采用传统的模式识别方式,然后利用分数融合策略获得最终匹配分数。通过将传统的模式识别和新兴的机器学习方法相结合,多模态的生物特征识别吸收了两者的优点,在保证高识别速度的同时能够挖掘图像更深层次的语义信息,同时使多模态识别模型的泛化能力更强。实验结果表明本文提出的基于深度学习和分数融合的多模态生物特征识别算法,相比于传统的识别方法其识别速度更快。