指静脉生物识别技术已被广泛应用于个人认证。采集阶段产生的一些低质量图像,有可能对后续的特征提取和匹配产生严重影响,十分有必要对采集后的图像进行质量评估。传统的质量评估方法在选择手动设计特征时较为困难,还存在着静脉点检测过程复杂等问题,越来越多的研究学者将深度学习用于手指静脉质量评估当中。目前深度学习的相关工作都是针对于两类或者多类任务,但在实际采集过程中,受环境光照、手指姿态变化等影响,一张低质量图像往往包含一种或多种的标签,二分类或多分类的方法可能无法解决这个问题。此外,现有的质量评估方法都是在进行质量评估后剔除低质量图像留下高质量图像进行识别,图像利用率不高。本文针对上述问题提出了使用多标签深度神经网络进行手指静脉图像质量评估。本文的具体研究内容如下:1)制作多标签数据集针对实际采集过程中,低质量图像可能存在的旋转、平移、噪声等多种低质量因素,人为对手指静脉图像进行旋转、平移、改变亮度和加噪处理,制作多标签手指静脉图像数据集。2)改进单尺度Retinex图像增强算法在传统的单尺度Retinex(Single-Scale Retinex,SSR)算法中使用高斯环绕函数对图像进行光照估计,但当图像中有大量集中灰度区域时,用该算法增强后的图像便会产生“光晕”现象,本文采用添加了边缘感知权重的加权引导滤波代替高斯滤波,用于克服上述问题。3)引入通道空间注意力模块该模块用来对每个CNN块输出的通道和空间信息进行加权,以增强特征图的表示能力。通过对最大池化以及平均池化的结果融合,得到更丰富的特征用于多标签分类。4)卷积神经网络用于多标签的质量评估将改进后网络输出部分的单个Softmax替换为4个Softmax损失函数,用于对多标签数据集进行训练。之后,将质量评估后的低质量图像采用B样条配准与融合滤波的图像配准方式变换为高质量图像再进行识别,提高图像利用率。实验证明,本文提出的质量评估算法,在分类准确率上得到了很大提升,进行配准后静脉身份验证精度和图像利用率也远远优于目前一些质量评估算法。