基于虹膜的生物特征识别技术具有识别精度高、无法伪造以及非侵犯性等优点，在门禁系统、海关出入境、机场和金融等许多领域中具有广泛的应用。现代虹膜识别系统为了适应各种复杂的应用场景，应对用户有尽可能小的约束，使用户感觉不到系统的存在，因此远距离、运动中虹膜识别成为必然的发展趋势。然而在复杂的应用场景中采集的虹膜图像包括各种干扰或者噪声，如头部偏转，眼睛半闭或全闭，头发、睫毛和眼睑遮挡，散焦和运动模糊，光学眼镜、隐形眼镜干扰等。论文主要研究和解决在这些干扰和噪声情况下的虹膜图像的预处理问题，包括虹膜内外轮廓定位、上下眼睑检测、闭眼判断和高亮点去除等。 论文提出了一种渐进的方法检测虹膜外轮廓，该方法通过基于机器学习的人眼检测器和图像分割结合霍夫变换由粗到精地确定眼睛的位置，在眼睛区域内通过改进的基于圆的Hough变换定位虹膜外轮廓。采用一种反馈机制判断虹膜外轮廓的定位是否准确，对于不准确的情况采用基于颜色信息的方法对虹膜外轮廓进行二次定位。提出了两种方法检测上眼睑：即基于约束的积分微分算子和一维信号检测相结合的方法，以及基于RANSAC(RANdom SAmple Consensus)算法和最小二乘拟合相结合的方法。这两种方法能够处理眼睛旋转情况下的眼睑检测问题。论文还提出一种判断闭眼图像的方法，该方法采用边缘检测和连接、图像膨胀和抛物线拟合等技术，通过判断抛物线开口方向判断闭眼图像。另外论文还提出了一种基于直方图分析的方法去除虹膜内部的高亮点。 在前述算法的基础上构建了一个鲁棒的虹膜分割系统。采用两种方法验证该系统的性能：一种是基于虹膜识别的方法，另外一种是将虹膜分割结果直接与真值比较的方法。该系统参加了2008年举行的虹膜分割国际竞赛(NICE.I)，在来自35个国家和地区的97支参赛队伍中取得了第四名的好成绩。