近两年,受疫情的影响,人们进出公共场合需进行登记与身份验证。目前普遍采用的人脸识别系统易受口罩遮挡的影响。本文从虹膜识别领域出发探索一种面向移动端的虹膜识别方法。与传统虹膜识别方法相比,基于神经网络的虹膜识别方法精度更高、系统鲁棒性更强,但其参数量庞大,对运算、存储需求较高,难以部署在硬件有限的移动端设备上。为解决上述问题,本文提出一种将轻量化网络结构与模型量化技术相结合的轻量化神经网络用于移动端虹膜识别,论文的具体工作如下:首先,本文介绍了传统虹膜识别方法、基于神经网络的虹膜识别方法的国内外研究现状,并对降低后者模型复杂度的神经网络轻量化技术及其研究现状进行了阐述。随后,本文介绍了虹膜识别系统及卷积神经网络的系统架构,并对几种经典的轻量化网络结构及模型量化方法进行了研究。基于虹膜图像间定位效果存在差异的现象,本文提出一种基于眼睑检测的虹膜图像质量评估方法来指导虹膜数据集的扩充工作;为解决移动端虹膜识别系统中难以运行参数量庞大的神经网络模型的问题,本文提出一种基于深度可分离卷积（Depth-wise Separable Convolution）结构的轻量化神经网络用于虹膜识别。该方法针对轻量化网络结构存在的精度下降问题,结合跨层传输机制、通道混洗（Channel Shuffle）与稠密连接（Dense Connection）技术进行了优化;针对模型在移动端设备运行效率低的问题,提出了基于动态截断的模型量化方案,使其更适于移动端部署。最后,为分析所提方法在移动端的可行性,本文将训练好的网络模型移植到Android移动端进行测试,并选择已有的虹膜识别网络及模型量化方案与本文提出的轻量化神经网络进行对比实验,实验结果表明本文给出的方法在保持识别精度的同时降低了模型的运算与存储需求。