不同的生物认证特征包括：人脸、指纹、掌纹、虹膜、击键、签名和声音等，最近的研究已经证实虹膜是其中最精确和可靠的生物认证特征。因此，作为基于虹膜特征的身份认证过程，虹膜识别已经迅速成为一个研究热点。在虹膜识别系统中，虹膜分割是一个非常重要的阶段。其中，精确的瞳孔轮廓检测是至关重要的。因为大多数可区分信息位于瞳孔周围的卷缩轮内，是一个很小的区域。传统的虹膜分割方法比较耗时，并且大多数假设瞳孔边界是圆形的轮廓并使用圆形拟合它，导致虹膜匹配性能退化。　　为解决这些限制，本论文提出一种新方法，更精确和有效地检测虹膜边界。提出的方法由两个阶段组成，第一阶段结合了主动轮廓模型（snakes）与角度积分投影函数（AIPF）用于检测瞳孔轮廓，而第二阶段，应用AIPF和传统图像处理技术定位圆形虹膜外边界（limbic边界）。在过去的十余年当中，主动轮廓模型已经被广泛的应用于检测物体轮廓。然而已存在的主动轮廓模型有一些局限性，包括对初始轮廓敏感，收敛速度慢以及 snake模型中外力的选择问题。针对这些问题，本论文提出两种基于snake模型的方法，用于检测精确的瞳孔轮廓。　　在提出的第一种方法中，引入一种两步的snake算法。第一步是圆形边界定位，确定近似的瞳孔中心并作为二值虹膜图像的中心。然后，应用AIPF检测一组瞳孔边界点，并最终利用圆形拟合检测到的边界点定位瞳孔圆形边界。在第二步中，以第一步所获取的瞳孔轮廓为基础，初始化主动轮廓模型，检测精确的瞳孔轮廓。本文提出了基于三种不同主动轮廓模型的Snake改进算法：Kass snake模型，Greedy snake模型以及GVF snake模型。在三个虹膜公共数据库（CASIA v3.0-Interval,CASIA v3.0-Lamp和MMU）上的实验结果表明所提出的方法可以在较少的迭代次数内准确收敛到最终的瞳孔轮廓。因此所提出算法优于已存在的虹膜分割方法。　　在提出的第二种方法中，设计了一种新的snake模型。其中，为了更实际的表现snake的外部能量函数，提出了一个基于AIPF的外部能量模型。在snake初始轮廓被定位后，与第一种方法类似地，提出一种基于两个传统的snake模型（ Kass snake模型和Greedy snake算法）的改进模型。在 CASIA v3.0-Interval,CASIA v3.0-Lamp和MMU虹膜图像数据库上的实验表明所提出的第二种算法相比第一种方法在精度和计算时间上有略微的改进。　　然后，在所提出的虹膜分割算法框架的第二个阶段，定位圆形limbic边界。通过将前一阶段检测到的瞳孔中心近似为虹膜中心，在两个滤波的虹膜矩形区域（左和右）内，再次应用AIPF检测一组虹膜边界点。紧接着，在计算这些边界点到近似虹膜中心的马氏距离的基础上，错误的边界点被识别并排除。最终，应用圆形去拟合剩下的边界点，定位limbic边界。在以上提到的三个虹膜图像数据库上的实验表明，所提出的算法相比于已存在的最好的虹膜分割算法——Daugman的积分微分操作算子和Masek算法，更有效，更精确。