掌纹识别是生物特征识别中重要的一员,高分辨率掌纹图像特指分辨率在300dpi以上的掌纹图像,其图像中包含的丰富信息可以用于身份鉴定。当前主流的高分辨率掌纹图像识别方法采用细节特征点匹配,算法设计复杂,人工提取特征困难,难以实现民用和商用。针对上述问题,本文提出了两种基于深度学习的高分辨率掌纹图像识别方法,将掌纹图像进行简单的预处理后即可实现端到端的识别,具有识别精度高,易于实现,鲁棒性强的优点。本文的主要研究成果如下:针对高分辨率掌纹图像小样本数据集的情况,本文以胶囊网络作为研究对象,为给路由算法提供更优质的胶囊,采用超深度小卷积神经网络来优化特征提取部分。通过去掉重构网络来换取模型体量的精简和运算速度的提升,在有限的精度损失下大大降低了计算开销。因路由算法对掌纹特征的空间方位比较敏感,但对不同特征的重要程度没有区分,在主胶囊层前面加入通道注意力机制以增加重要特征的权重,进一步提高掌纹识别精度。在THU高分辨率掌纹数据集上实验证明,基于合理的特征提取的胶囊网络具有良好的掌纹识别准确率。传统的卷积神经网络vgg16网络采用深度小卷积核提取特征,具有良好的特征提取能力和较少的计算开销。本文在vgg16网络基础上,提出基于迁移学习的方法,可以从源域中学习到相似特征的参数信息,使网络不必从零开始训练。另外,在网络的最后增加一层全连接层提高网络的分类能力。在vgg16迁移网络的基础上,使用图像增强技术将高分辨率掌纹图像分别4、9、16、25等分,采用投票的方法进行分类,得到整个掌纹图像的最高准确率可达到99.69%。