随着科技的发展和人民生活水平的提高,身份验证已经深入到生活各个方面,身份信息安全引起人们重视,传统验证方式难以满足用户需求,基于人脸、指纹、掌纹、虹膜等生物特征的验证方式越来越受到人们关注。其中,虹膜因其唯一性、不变性和难伪造等特点,成为众多生物特征的佼佼者,被广泛应用于身份验证。目前,大部分虹膜识别算法着重考虑在闭集情况下提高虹膜识别的准确率,即待识别虹膜确定为数据集中的一类。然而,在实际应用中,待识别虹膜可能不属于数据集内已有类别,是开集数据的识别问题。如果虹膜识别系统不具备辨识未知类别虹膜的能力,而将未知类虹膜判别为系统中已有类别,那么识别系统会被非法侵入,导致用户信息泄露,造成严重后果。但现有的虹膜识别算法针对开集情况下虹膜识别问题的研究不够深入。针对以上存在的问题,本文基于深度学习算法对开集虹膜识别方法展开研究。主要研究内容如下:首先,为提高虹膜识别系统的准确率,本文提出一个基于多尺度卷积特征融合的特征提取网络（Feature extraction network,FEN）。虽然卷积神经网络（Convolutional Neural Network,CNN）学习的图像特征具备优秀的判别和泛化特性,但随着卷积层的加深,特征图（feature map）尺寸减小,尽管通道数增多,仍会损失掉一些特征信息,尤其是一些边缘特征。FEN将卷积过程中生成的不同尺度特征图,经过自适应平均池化（Adaptive Avg Pool）后拼接,实现卷积特征融合,可以充分提取虹膜特征。其次,为使虹膜识别系统可区分未知类样本,提出一个基于距离特征的特征整定网络（Feature tuning network,FTN）。它利用FEN提取的虹膜特征和已有类别的特征聚类中心,生成一个含有距离参量的识别特征,用于虹膜识别。在虹膜认证模式下,采用欧式距离进行匹配;识别模式下,利用Soft Max概率进行分类,通过设置阈值进行未知类虹膜的判别。最后,设计了两个包含距离特征的损失函数用于上述网络的训练。FTN需要利用特征聚类中心来生成识别特征,但训练过程中,随着网络参数的变化,特征聚类中心也将被频繁更新。为简化这一过程,在训练的第一阶段,人为设定特征聚类中心并设计一个聚类损失。通过聚类损失训练FEN,使其提取的虹膜特征向设定中心靠拢,用设定中心代替聚类中心。训练的第二阶段,为了充分利用FTN中的距离信息,获取良好的开集识别性能,设计了一个分离损失,它会使同类虹膜特征更加聚集,不同类别虹膜特征更加分散。由于未知样本类别不参与网络训练,FEN提取的未知类虹膜特征不会向设定的聚类中心靠拢。同时分离损失和FTN增大了FEN提取特征的类间距,从而强化了对未知类别鉴定能力。为满足开集虹膜识别实验需求,本文利用已有的虹膜数据集构建了一个开放虹膜数据集。实验表明,本文提出方法具有良好的开集虹膜识别性能,不仅保持了对已知类虹膜较高的识别率,而且对未知类别虹膜具有良好的判别能力,提高了整个虹膜识别系统准确性、可靠性和安全性。