新冠疫情在全球范围内的爆发极大地改变了人们的生活状态，积极地采取如佩戴口罩、避免接触在内的防疫措施已成常态；这些防疫措施在有效阻止新冠肺炎病毒蔓延的同时也影响了现有的身份认证技术，甚至使其面临失效的风险。为此，寻找当前防疫场景下可用的高性能身份认证技术成为一项迫在眉睫的任务，而虹膜识别技术的非接触式采集和高可靠性使其适用于当前的防疫场景。然而，虹膜识别技术的进一步推广需要突破其现有的采集限制，将虹膜识别技术从受控场景扩展到采集约束更少的开放场景中进行研究。开放场景中包含有大量的不确定采集因子，这些因子的高不确定性往往会造成成像质量不稳定和整体水平下滑，图像端的退化将会引发虹膜图像预处理和特征识别环节的连锁反应，进而影响整个系统的识别性能。针对开放场景下图像退化引起的挑战，本文立足于虹膜图像预处理和识别任务对虹膜识别技术展开研究。本文所取得的主要研究成果如下：

1. 针对开放场景中不稳定成像对虹膜图像预处理的影响，提出了基于分布差异感知的虹膜元超分网络和基于预测差异感知的双边关联分割网络。第一个模型针对超分过程中训练数据和测试数据间的分布差异，将主干网络中的模型参数分解成由训练数据决定的固定参数和随输入数据变化的动态参数；动态参数由一个独立的元网络所控制，该网络通过感知输入图像和训练图像间的差异来调节动态参数，从而实现主干网络对输入图像的最佳适配。第二个模型针对虹膜分割中预测结果的不确定性，利用预测差异来估计分割不确定性，并利用该不确定性估计来引导模型优化，提升分割精度的同时减小了预测不确定性。此外，该模型还根据图像中人眼元素的视觉特征和空间布局构建了双边关联关系，以实现虹膜区域与非虹膜区域的有效区分。
2. 针对跨光谱虹膜识别中多光谱图像间的分布差异问题，提出了基于设备独有性去除的异质虹膜识别算法。该算法利用 Gabor 函数作为先验知识来感知多光谱图像中的虹膜纹理，然后使用多分支网络将多光谱图像分解为面向分布对齐的基准分量和包含独有性信息的残差分量，并利用残差分量来改善基准分量以生成光谱不变特征。在两个跨光谱数据集和两个跨设备数据集上的实验表明了该算法有效地缩小了多光谱图像间和多设备图像间的分布差异，显著改善了识别性能。
3. 针对开放场景中不确定的采集因子引发的特征模糊问题，提出了虹膜图像的概率隐表达并将其应用于欠标签虹膜识别。该表达依据虹膜图像在特征空间中的分布情况，使用概率分布而非传统的确定点来表示虹膜图像。其中身份信息被编码为概率分布的均值，而造成虹膜特征偏移的采集不确定性被表示为分布的方差，这种独立的编码方式避免了采集不确定性对识别的影响；基于该表达，同一目标类别的任意图像都对应为该分布上的一个采样点。进一步地，针对半监督和无监督设定下的识别挑战，本文基于概率隐表达提出了对比不确定性学习方法来从欠标签数据中学习有利于识别的知识。在六个虹膜数据集上的实验验证了概率隐表达的有效性，而有关半监督和无监督设定的实验结果表明无标签数据同样有利于虹膜识别模型的性能提升。
4. 针对现有深度虹膜识别中对全局关联性建模缺失的问题，提出了多尺度关联测度分析并将其应用于降质虹膜图像识别。该方法从全局和局部两个尺度分析了虹膜区域间的关联性。全局关联性描述了所有虹膜区域之间的相关性，对局部遮挡有很好的鲁棒性；而局部关联性则聚焦近邻区域，对局部纹理细节更加敏感。在四个数据集上的实验结果表明，多尺度关联测度分析在多个性能指标上显著地优于对比方法；此外，而包括消融研究、可视化分析和遮挡识别在内的实验结果显示全局关联性和局部关联性是有助于提升识别精度的不同线索。