在现代社会,出于对人身、信息、财产安全的重视,个人身份识别技术受到了广泛关注。近年来,指静脉识别技术凭借其独有的优势,成为个人身份识别技术的研究热点之一。相较于其他身份识别技术,指静脉识别技术的优势体现在活体识别、隐式特征、易于使用、安全等级高等方面。指静脉识别技术的基本流程包括图像采集、预处理、特征提取和特征识别,其中特征提取和特征识别是指静脉识别技术的关键环节。如何更加准确、更加全面地从图像中提取信息,以及如何更加高效地利用这些信息,一直是指静脉识别技术的重点和难点。本文深入研究了这两个环节,主要研究内容如下:(1)基于多尺度融合的LBP(Local Binary Pattern)特征提取算法:针对传统LBP特征提取算法只能提取单一尺度下直方图特征的问题,本文提出了一种多尺度融合的LBP特征提取算法,利用多个尺度的LBP直方图特征相融合的方法提取指静脉图像的直方图特征。(2)改进的深度置信网络(Deep Belief Network,DBN):本文提出了一种用于特征分类的改进的深度置信网络。通过对已提取特征的学习,建立模型来完成指静脉识别工作。针对深度置信网络训练时间较长的问题,本文通过引入一个自适应的学习率、使用带泄露修正线性单元(Leaky ReLU)作为激活函数,成功降低了深度置信网络的训练时间。(3)通过以上方法的结合,本文提出了一种基于多尺度融合的LBP特征提取和改进深度置信网络的指静脉识别方法。经过实验得出,本方法训练时间为247.5秒,识别率为99.70%,实现了快速、准确的指静脉识别。