虹膜图像的质量好坏越来越受到人们的重视。一幅质量不好的图像会严重影响到虹膜识别的匹配效率。虹膜识别与目前应用广泛的身份识别方式相比，具有唯一性、可靠性、非侵犯性等优点，有着一般的身份识别方法无法比拟的优势，人们在这方面的研究也取得了一定的成果。虹膜图像质量分类能够很好地解决虹膜图像识别中的识别速度和识别准确率之间难以两全的问题。对虹膜图像按质量的不同而分类，是为了防止质量不好的虹膜图像流入后续识别系统，从而影响虹膜识别系统识别图像的效率。虹膜图像质量评价这一理论是最近十几年才发展起来的，因为图像质量会受到各种因素的影响而使其不理想特征呈现多样化，故目前研究者们并没有得出统一的判断虹膜图像质量好坏的标准。论文基于对前人的一些研究方法的理解，提出了一种关于虹膜图像质量分类的新方法。本文针对虹膜图像采集过程中受光照条件不足、眼镜反光、眼皮遮挡等因素的影响而造成的虹膜图像质量不理想的问题，提出了一种基于反向传播（BP）神经网络的虹膜图像质量的分类方法。它利用小波变换对每一幅虹膜图像进行特征提取，进而将提取的归一化虹膜图像数据作为BP神经网络的输入，以此对BP神经网络进行训练，实现了将被三种不同的影响因素影响的虹膜图像与未被三种因素影响的虹膜图像的区分。仿真结果表明，该方法具有较高的虹膜分类精度以及较低的误差率。论文将小波变换与BP神经网络相结合进行实验仿真，同时还用BP神经网络中的其他算法进行了实验。本文提出的方法不仅丰富了虹膜识别技术的研究，而且能将异常的虹膜图像与正常的图像准确的进行区分，论文中涉及的异常图像包括以下三类情况：光照条件不佳的虹膜图像，戴眼镜反光的虹膜图像以及被眼睑和眼睫毛遮挡过多的虹膜图像。仿真结果表明该算法在评估虹膜图像质量上具有良好的准确性，具有一定的理论和实践意义，但算法仍存在一些缺陷(比如：虹膜图像的质量评估都是建立在人为主观评价基础之上的，故只适用于本次论文研究的虹膜数据库)，需进行进一步的研究和改进。论文的创新之处在于：1）用小波系数做虹膜图像质量评判的特征。小波变换是图像分析中较为常用的一种图像处理方法，本文用小波分解后的小波系数的不同规律去描述不同质量虹膜图像的纹理特征，并以此作为BP神经输入，算法简单。2）训练样本的选择。对于BP神经网络的训练样本的选取，本文是根据人为主观的判定来确定的。训练样本是一些已经判断出图像质量好坏的样本。一幅图像经过人眼判断后，凭借人的主观判定来规定其质量的好坏，并将这一评判标准应用到BP神经网络的训练样本中。