采集到的手指静脉图像的质量对后续的特征提取以及比对识别都有很大的影响。由于采集设备或环境影响产生的各类噪声,以及在实际应用场景中出现的镜面油污、用户手指蜕皮等因素都会造成指静脉图像质量受损,影响后续的识别性能。在本文中,首先对经典的图像去噪以及修复算法展开研究,发现这些算法没有准确利用图像的纹理信息。对于纹理边缘信息较弱的指静脉图像来说,这容易导致复原后的图像出现静脉模糊、细节丢失以及结构扭曲等问题。因此本文提出基于纹理约束的手指静脉图像去噪与修复算法研究,在通过传统算法去除噪声以及基于深度网络修复受损区域的过程中利用纹理信息进行约束,实现噪声消除、受损区域修复的同时保持静脉细节信息,具体研究内容如下:1.提出一种抗干扰性强、对光照变化具有良好适应性的基于Gabor的局部二值模式（Gabor Local Binary Pattern,GLBP）纹理特征。所提特征结合了Gabor和局部二值模式（Local Binary Pattern,LBP）的优点,在Gabor提取8个方向指静脉图像响应值的基础上利用LBP进行编码,得到能较好表征静脉图像纹理走向的GLBP特征。由于Gabor具有良好的方向性,可以较好地匹配指静脉不同延伸方向的特点,采用Gabor滤波器得到指静脉8个方向的响应信息。噪声会对Gabor响应值的提取造成一定的影响,而LBP具有良好的抗噪能力,因此在Gabor提取的基础上利用LBP进行编码得到更稳定的GLBP特征。理论分析与实验结果表明,在噪声影响和图像受损情况下,该特征仍具有良好的鉴别力。2.提出一种基于GLBP纹理约束的手指静脉图像非局部均值滤波去噪算法。所提算法提出基于GLBP纹理特征约束,灰度距离信息修正的加权去噪核函数,优化了静脉背景和前景的权重分配,提升了对纹理不清晰的指静脉图像的去噪效果。本章首先利用新余弦函数得到图像块之间的GLBP纹理相似度,考虑到灰度信息虽然受到噪声影响,但也包含一定的信息,因此基于图像灰度信息得到高斯加权欧式距离对核函数进行修正,使得相似度高的图像块能分配到更多的权重,相似度低的图像块分配到小的权重。合理的权重分配,使得算法去噪性能得到了明显提升。理论分析和仿真结果表明,相较传统非纹理约束的非局部均值去噪算法,本章所提算法在实现去噪的同时,有效地保护了静脉的细节和边缘信息。3.提出一种基于NB-WGAN（Neighbor Binary-Wasserstein Generative Adversarial Networks）的手指静脉图像修复算法。所提模型由一个级联初步修复和精确修复的生成器网络以及分别关注局部受损区域修复效果和整幅图像修复效果的两个具有梯度惩罚的Wasserstein生成对抗网络（Wasserstein Generative Adversarial Networks with Gradient Penalty,WGAN-GP）构成。级联的生成器结构可以在修复过程中提取到更加丰富且全面的信息,实现对受损区域更好的恢复。并联的判别器网络结合局部损失与全局损失对网络进行约束,确保修复后整幅图像和受损区域保持一致。为了更好的保护指静脉图像的纹理信息,提出基于邻域二值模式（Neighbor Binary Pattern,NBP）的纹理损失,结合重建损失以及对抗损失,共同约束网络参数的更新。最后,通过对受损指静脉图像的特点进行详细分析,提出一个包含多种受损情况的训练集,丰富的训练数据增强了网络模型的泛化能力。实验结果表明,相比传统非纹理约束的曲率驱动扩散算法和基于Gabor纹理约束的修复算法以及非纹理约束的基于注意力机制的WGAN修复算法,本章所提的NB-WGAN算法修复效果更好。