生物识别技术通过利用人与生俱来的生物特征实现有效的身份认证,与传统的身份认证技术相比,它安全性更高、易于携带且不易被盗取,在信息安全等领域有着广泛的应用。传统单模态生物特征具有一定的局限性,而多(模态)生物特征因其特征多样性和完备性,具有更高的可靠性和防伪能力,能够满足不同应用场合对识别性能的要求。目前,大多数传统的多生物特征识别方法存在着弊端:由于不同模态的输入数据差异较大,传统的特征提取与融合方法只能学习到低层次的模态间相关性,因此很难得到满意的结果。而深度学习可以弥补这种不足,深度学习的多层神经网络结构可以从原始图像中学习到高层次隐含特征,即使输入数据有较大的差异,也可以学习到抽象的模态间的相关信息从而学习到更优的特征表达。本文提出了一种新的基于堆栈极限深度学习机和核典型相关分析方法的多生物特征深度学习识别模型,利用快速极限学习机作为学习单元,构建深度神经网络模型完成多生物特征识别的任务。该模型的主要步骤如下:首先,构建基于极限学习单元的深度学习模型—堆栈极限深度学习机,用来提取多生物特征图像的高层特征表示。其次,使用基于核函数的典型相关分析方法实现多生物特征的融合表达:先将非线性的特征表示映射为线性表示,再使用典型相关分析对两组特征表示进行相关性分析,选择具有最大相关性的一组变量作为特征融合的结果。最后,利用浅层极限学习机分类器进行训练和测试。本文在多生物特征图像数据集上对该模型进行了测试,与传统的学习方法相比,本文提出的方法更为有效。