相比传统认证方式,生物识别技术具有便捷,安全性高等优点。近年来发展越来越快的生物识别技术逐渐替代了传统的钥匙,密码,磁卡等安全认证方式。其中指静脉识别技术是生物识别的一个重要分支。相比人脸识别、指纹识别等生物识别技术,指静脉识别在稳定性,准确度方面都更胜一筹,具有更高的应用价值。但是目前该领域还在初步发展阶段,在静脉图像ROI(Region of Interest)提取,特征提取等环节上效果还不够理想。最近深度学习由于互联网大数据的的爆发获得了快速的发展,在图像领域几近全面超越了传统的算法。本文结合深度学习在指静脉识别领域目前依然存在的问题上进行了探索。并提出了相应的解决方案。本文工作内容如下:(1)针对目前公共数据集数据量少的问题,设计并实现了基于深度学习的图像数量增强算法。该算法利用条件式生成模型,将手指轮廓看作条件式输入,手指类别看作半噪声输入,训练了一个可生成不同类别,多种轮廓指静脉图的数据生成器。本文使用该生成器生成了一个包含2400个类别的静脉图片数据集,并将其命名为FV-BUPT。后续实验通过无参考图像质量评价算法评估了图像的质量,更在静脉识别模型上验证了该数据集作为训练数据和预训练数据的价值。(2)针对传统ROI方法鲁棒性差、数据特征处理流程繁复、特征提取质量差的问题,提出了基于多任务学习的指静脉特征提取算法。该算法将ROI提取任务和特征提取任务结合在一起,组成了一个多任务的神经网络模型。采用End-to-End的方式训练和运行。实验表明,不管是在运行效率,还是在提取的静脉特征质量方面本文所提出的模型都优于传统的算法。(3)设计并实现了指静脉认证演示系统。该系统将本文所研究的多任务特征提取算法融入进来,实现了包含管理员登录和注册,静脉信息采集,静脉身份认证等功能。该系统以网站的形式使用MVVM模式搭建,前后端均采用了可定制性较强的轻量级框架,这也使得整个系统更加简洁,后期扩展和维护都更加容易。