多模态生物特征识别,作为一种新型的、凭借用户自身固有的属性特征进行身份识别,近年来日趋成为国际上的研究热点。其应用涉及商业、安全和司法等领域,可用于自动视频监控、访问控制、身份鉴定、计算机人/机界面设计、银行ATM机等。作为生物特征识别的主要方法之一,人工神经网络自80年代初复苏以来一直是科学与工程上的一个热点研究学科,吸引了包括MIT、Harvard大学等国际一流学术机构的科学家从事此领域研究,并取得了大量的研究成果,《Science》、《Nature》等许多国际一流学术刊物常有相关研究成果发表。本论文重点研究多模态生物特征融合的神经网络方法,主要研究了如何利用神经网络方法提取人脸的局部特征和全局特征,并进行身份识别。其中主要研究了PCA主元分析、带稀疏度约束的非负矩阵分解NMFs、径向基神经网络RBF、Fisher线性判别法等方法,并用于含噪声的人脸图像识别(本文不涉及人脸检测)。研究了基于固定吸引点的联想神经网络,构建了能学习连续吸引子的子空间联想存储器,用于局部残缺、局部遮挡的人脸图像识别。研究了连续粒子群优化算法PSO模型及二进制离散PSO模型,并利用人工免疫阴性选择机制控制粒子的最低及最高飞行速度。研究了自适应模糊神经推理、自适应Bayes决策融合策略、以及自适应Bayes优化的人工免疫二进制PSO模型(用于寻找最优融合规则),并利用自适应模糊神经推理和自适应Bayes优化的人工免疫二进制PSO算法解决人脸全局特征与局部特征融合、人脸与指纹融合等多模态生物特征融合的身份识别问题。本论文的主要研究成果和创新如下:1.提出并改进了基于神经网络的人脸图像的局部特征提取与识别方法,将带稀疏度约束的非负矩阵分解NMFs与Fisher线性判别法结合起来,利用径向基神经网络RBF作为分类器,对识别不同光照、采自不同头部姿势、不同表情的、含局部遮挡噪声的人脸图像,具有显著的优势,系统性能明显提高;2.建立了具有连续吸引子的子空间联想神经网络模型,与具有固定吸引点的联想神经网络相比,子空间联想神经网络能恢复填充输入人脸图像的残缺或遮挡部分,并能显著提高部分残缺/遮挡的人脸图像的识别性能;3.提出了最低/最高速度约束的连续粒子群优化算法,并用于训练多层感知机,能有效保证在搜索函数的最优解时,算法的收敛速度更快,收敛能力更强,并且能避开局部最优,收敛到全局最优;4.提出了人脸全局特征与局部特征融合的自适应模糊神经推理,以及自适应Bayes优化的人工免疫二进制PSO算法,融合人脸的局部和全局特征进行身份识别,显著提高了人脸识别性能。同时,融合人脸与指纹特征进行身份识别,也获得了较好的性能。