随着使用指纹、面容等智能设备的普及,生物识别技术以其快捷、方便、保密性高等优势等进入了人们的视线,近些年来得到了快速的发展。手指静脉识别是一种新型的生物特征识别方法,其利用手指部位皮下浅静脉形成的静脉分布图案作为生物特征。采集静脉数据时,需要将手指放入红外采集设备中,由于手指静脉位于人体内,因此很难被窃取,几乎没有被伪造的风险。此外,相较于其他较为传统的生物识别技术,手指静脉识别具有更低的拒识率、更好的稳定性等。因此,近年来相关领域对于手指静脉识别的研究兴趣和研究力度逐渐加大。一般来说,手指静脉的识别流程包括静脉图像ROI（Region of Interest,感兴趣区域）提取、特征提取、特征匹配等。卷积神经网络问世以来,深度学习在图像识别领域相较于传统方法性能大幅提升,目前广泛应用于生物识别领域。本文使用深度学习方法,针对手指静脉识别在各个流程中存在的一些问题进行改进,以提高识别性能。本文工作内容及成果如下:（1）提出了一种基于深度学习的ROI提取方法。传统的基于规则的方法对背景噪声、图像大小、图像灰度值等敏感度高,鲁棒性较差。本文设计并实现了一种基于U-Net的ROI提取方法,利用U型网络结构进行手指语义分割,能够保留完整的手指轮廓。经实验验证,本方案有较强的泛化能力和鲁棒性,在有噪声干扰的情况下,仍能较为准确地提取ROI区域。（2）提出 了基于 GAN（Generative Adversarial Networks,对抗生成式网络）的手指静脉数据生成方法。卷积神经网络想要获得性能良好的模型,需要大量已标注的图像数据进行训练,而指静脉相关的公开数据集较少,难以充分训练复杂神经网络模型。本文提出了一种指静脉数据生成方案,在分析手指静脉解剖结构后,使用仿真生长式算法产生指静脉模式图,再使用条件生成式框架将模式图转成指静脉图像,生成了了 5363类共计53630张指静脉图像,并通过实验验证了生成数据的有效性。（3）提出了一种基于ResNet的指静脉空间注意力识别网络。Shortcut结构使得卷积神经网络模型可以不断加深,减少由于模型复杂度过高而带来的性能退化。但是,过深的模型需要大量的机器资源,而且很难充分训练。本文在ResNet的基础上,对网络结构进行改进,引入了空间注意力机制,使模型能够在通道维度进行特征选择。网络采用模块化设计,可以较为方便地移植到现有网络上。经实验对比,本方案相较于同深度的ResNet,在参数量少量增加的情况下,在指静脉识别任务中可以取得更好的识别性能。