| 致谢 | 第4-5页 |
| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| Extended Abstract | 第9-22页 |
| 1 绪论 | 第22-30页 |
| 1.1 课题研究的意义与背景 | 第22-23页 |
| 1.2 历史发展与相关产品 | 第23-24页 |
| 1.3 静脉采集与特征匹配研究现状 | 第24-25页 |
| 1.4 本文研究内容与章节安排 | 第25-30页 |
| 2 静脉图像采集及数据库建立 | 第30-47页 |
| 2.1 静脉采集装置设计与实现 | 第30-34页 |
| 2.2 静脉图像采集和原始数据库的建立 | 第34-36页 |
| 2.3 静脉图像质量评价函数的引入 | 第36-43页 |
| 2.4 静脉图像采集装置的改进设计 | 第43-45页 |
| 2.5 高质量静脉数据的建立 | 第45-46页 |
| 2.6 本章小结 | 第46-47页 |
| 3 静脉图像增强 | 第47-73页 |
| 3.1 生物识别图像增强的研究现状 | 第47-49页 |
| 3.2 基于Multi-Scale Top-hat Transfomation（MSTHT）算法的静脉图像增强 | 第49-56页 |
| 3.3 基于Local-Gray Level Information Transfomation（LGLIT）算法的静脉图像增强 | 第56-67页 |
| 3.4 基于Super-Resolution Theory（SRRT）算法的静脉图像增强 | 第67-72页 |
| 3.5 本章小结 | 第72-73页 |
| 4 基于特征设计理论的静脉识别方法设计 | 第73-87页 |
| 4.1 手背静脉图像预处理 | 第73-80页 |
| 4.2 基于（2D）2FPCA算法的静脉识别 | 第80-86页 |
| 4.3 本章小结 | 第86-87页 |
| 5 基于矩理论的静脉识别 | 第87-98页 |
| 5.1 图像矩的基本概念 | 第87-89页 |
| 5.2 几何矩不变性实验分析 | 第89-94页 |
| 5.3 多种不变矩在静脉特征表示中性能比较试验的设计与实现 | 第94页 |
| 5.4 基于PCET矩的静脉特征提取 | 第94-97页 |
| 5.5 本章小结 | 第97-98页 |
| 6 基于深度学习理论的静脉识别 | 第98-119页 |
| 6.1 深度学习思想 | 第98-99页 |
| 6.2 基于Improved K-Means（KMS）算法的静脉特征表示与分类 | 第99-109页 |
| 6.3 基于Improved Convolutional Neural Network（RCNN）算法的静脉识别研究与实现 | 第109-118页 |
| 6.4 本章小结 | 第118-119页 |
| 7 总结与展望 | 第119-122页 |
| 7.1 本文内容小结 | 第119-120页 |
| 7.2 关于静脉识别课题的发展方向的若干思考 | 第120-122页 |
| 参考文献 | 第122-132页 |
| 作者简历 | 第132-134页 |
| 学位论文数据集 | 第134页 |
