在身份识别越来越受到重视的互联网时代,基于手背静脉的身份识别成为研究热点。但是面临采集设备多样性的情况,跨设备条件下的手背静脉身份识别成为必然趋势。在跨设备以及用户配合度低的条件下,采集的手背静脉图像存在亮度、旋转角度和尺度大小等差异,识别率较低。如何在跨设备条件下开展高精度的手背静脉身份识别具有重要的研究意义。论文主要工作和创新性如下:（1）提出以骨架图来描述静脉的形状结构的两种方案:方案一是由二值图细化得到骨架图,方案二是由距离图细化得到骨架图。在以上方案的基础上,选择骨架上的交叉点和终点作为关键点,以关键点为中心截取二值图像片段（默认为48?48）,并采用DERF描述子生成特征向量进行手背静脉识别。1库和2库的单设备识别率方案一最高达到99.18%、97.35%,方案二最高达到98.98%、97.35%。跨设备条件下的识别率方案一为71.43%,方案二为70.41%。方案一的识别率相对更高,后续工作在方案一的基础上开展。（2）为提高跨设备条件下的识别率,提出了以交叉点、终点和从边上等间隔采样的点同时作为关键点的算法。受图形学启发,以点和边来描述静脉骨架,从而更加完整地描述静脉的形状结构。对采样间隔和以关键点为中心的二值图像片段大小进行了优化,最优值分别为7,60?60。采用DERF描述子生成特征向量。跨设备条件下的识别率从71.43%提高到81.84%。（3）为进一步提高跨设备条件下的识别率,提出了基于多图融合和改进Xception网络进行手背静脉身份识别的算法。在网络输入端,基于将纹理特征和形状特征相结合的思想,将二值图、距离图和骨架图融合为三通道的融合图;在网络内部,改进Xception网络,迫使网络学习更加稀疏的特征,改进后识别率最高达到93.54%。针对以上方法,在由实验室自建的跨设备手背静脉图像库1库和2库上进行了充分的实验,验证了论文所提方法的有效性。