虹膜识别因其具备唯一性,稳定性,防卫性等天然优势,被广泛应用在银行门禁、军队安保、边境安检、身份验证、煤矿考勤等领域,是生物识别领域最有前景的应用之一。目前,在实验室稳定可控条件下的虹膜识别算法已近乎被研究透彻,更多的研究重心转移到非理想不可控环境下的虹膜识别研究,以及大样本跨系统的虹膜特征匹配问题上来。在以上两种任务模式中,受到光照条件、采集设备、样本数量等外来因素的影响,手动设计出健壮的特征编码滤波器以面对复杂的虹膜图像类内变化是一项具有挑战性的任务。不理想的采集图片导致虹膜分割提取的难度增加,而跨系统的图片来源更会造成参数的自适应陷阱。尽管深度学习的出现替代了手动设置滤波器的做法,但针对虹膜图像特性以及根据实际场景实际问题选择合适的模型结构仍然是个亟待解决的问题。因此本文围绕大样本场景下的虹膜识别困境,提出了自己的解决方案。论文的主要工作和成果如下:1.提出了一种基于动态路径搜索下的非归一化预处理模型用于虹膜分割。本文将虹膜的预处理过程视为两次边缘提取——即虹膜内外边缘提取,这种基于全局累积梯度优化搜索的算法对于光线、噪点并不敏感。除此之外,本文没有使用经典的橡皮片法归一化模型,而是保留了原始的虹膜纹理信息直接用于特征提取。本文也从理论上分析了,在基于深度模型下的特征编码中,对虹膜区域进行归一化并不是一项必不可少的关键步骤。2.针对虹膜图像本身特性对深度卷积神经网络进行了相应优化,本文提出了一种多尺度深度特征融合模型用于提取特征信息,使用部分卷积算子作为模型构建的基本组成单元,能够利用预处理得到的掩模信息,使得特征提取只关注图像的特定区域。同时,提出了两个深度模块——注意力集中模块和特征融合模块,利用注意力集中模块和特征融合模块分别对不同尺度的特征信息进行优化与融合。最后,利用融合深度特征对标签进行预测。3.本文定义了一个新型的损失函数T-Center用于提升特征信息的区分能力,将特征向量及其对应的特征中心之间的欧氏距离整合到现有的损失函数中,使用了 L2范数来约束困难样本的影响,最大化类间方差和最小化类内方差。为了验证该损失函数的有效性,本文在1:1及1:N两种不同的任务模式上进行了基准实验,数据集选用了 ND-IRIS-0405、CASIA以及IITD,并且将其推广到其它现有的深度模型,进一步验证了其普适性和跨库识别能力。