现今,生物识别技术的应用变的越来越广泛,已经渗透到生活的各个领域。虹膜识别被认为是精确度较高的生物识别技术之一,目前已经取得了巨大的发展。虹膜识别系统包括:虹膜获取,图像处理,特征提取和匹配。早期的工作大量集中在特征提取和匹配,但是,虹膜系统的性能很大部分取决于虹膜图像的质量,因此,本文着眼于虹膜图像中噪声的特点,基于不同的理论提出两种探测噪声的算法。同时,把用于场景分类的空间金字塔核,应用到虹膜识别系统中来,建立了新的特征提取和识别模型,取得了很好的实验效果。本文的研究工作主要有如下几个方面:1.研究了一种新的去除眼睫毛和眼睑的方法,传统的方法是把眼睑和睫毛当成两种不同类型的噪声进行分别去除。而我们利用睫毛都长在眼皮上这个事实,把眼睫毛和眼睑的这种连通性用于模型中,依靠形态学的区域生长的原理,去除眼睑和睫毛,不受只利用灰度信息,和梯度信息来在去除噪声时的局限。2.虹膜识别系统作为一种高非侵犯性系统,常因用户的各种姿态而引入不同的噪声。要想预计噪声的各种形态几乎是一件不可能的事情,因此很难找到一个通用性很强的方法来探测各类噪声,基于此,本文研究了一种基于机器学习的算法,该方法利用FJ-GMM算法,能够估计出噪声和虹膜的分布状况,然后利用相应贝叶斯分离器,对噪声进行分类。该方法能最大限度的利用用户的先验信息,可使虹膜识别系统应用在各种复杂的环境,同时也因准确的去噪提高了系统的性能。3.提出了一种全新的虹膜特征提取和匹配模型。该方法把BOW特征和金字塔匹配核结合起来,建立了空间金字塔模型。方法把虹膜图像的边缘点作为特征,同时最大利用每个边缘点的空间位置信息。把归一化虹膜图像最终映射成为一个多尺度的直方图。该方法是基于核的识别方法,结合基于核的分类器,如SVM等,可以获得很好的识别效果。相对于其他方法,同时该方法的计算量大大减小,可以很好的应用到实时虹膜识别系统中。算法中所用的图片都是自主开发的虹膜采集装置采集得到的。同时所有算法都在CASIA标准库上运行和比较。