随着信息技术的飞速发展，身份识别技术在人们的日常生活中应用日益广泛，如何快速准确地识别用户并保护好用户信息的安全成为一个亟待解决的问题。生物特征识别技术具有稳定性、唯一性、不易改变和防伪造等身份识别技术不具备的优势^[1]，已逐步成为信心安全领域的研究热点之一。

生物特征识别技术就是为了进行身份认证而采用自动技术测量人的生理特征或是行为特征，并将这些特征与数据库的模板数据进行比较，从而完成认证的一种解决方案^【2】。其中一种比较常见的是指纹识别。与传统的识别技术相比，指纹识别技术在速度和准确度上都达到了要求，但在指纹特征模板的保护上却略显不足。传统的基于模板匹配的指纹识别系统，模板存储的是用户的原始指纹特征信息，一旦模板数据泄露，攻击者可能根据得到的特征信息恢复出用户原始的指纹特征。而指纹特征具有唯一性，是无法修改的，一旦用户的指纹模板信息泄露，这将是永久性的。

为了解决指纹模板的安全性问题，国内外的研究者们做了许多研究，提出了多种不同的解决方案。这些方案主要可以分为三类，分别是生物特征哈希，模板形变技术和基于辅助数据的理论和方法。

（1）生物特征哈希

2004年，Teoh等人提出Biohashing^[3]的可撤销生物认证方法，该方法利用生物特征与一组正交伪随机向量基进行内积的方式构造了一种典型的双因子加密方法，可有效生成可变长字串用于加密或身份认证。

（2）模板形变技术

现有的模板形变技术可分为两类：第一类方法在变换前要求先对齐指纹，这导致只能用指纹的全局特征对齐，误差较大，导致最终的识别性能并不令人满意。如Ang等人^[4]提出的将指纹 细节点模板进行平面对折映射的几何变换方法。第二类方法在变换前不需要对齐指纹，可利用变换后的模板信息进行对齐，这类方法具有更好的识别性能。如Tulyakow等人提出的基于指纹细节点的对称哈希方法。

（3）基于辅助数据的方法

基于辅助数据的方法可以分为三种：密钥释放、密钥绑定、密钥生成^[5]。密钥释放就是将指纹特征和密钥叠加在一起作为加密的模板，在内部并不对密钥和指纹特征进行复杂操作，该方法过于简单，安全性能并不高。密钥绑定就是将密钥和指纹特征数据以特定的方式结合起来，只有在指纹认证成功时才会提取密钥。密钥生成就是将指纹特征作为一种信号，直接从信号中提取密钥。

目前深度学习已经成为了模式识别中一个重要的解决途径，并取得显著成果。使用特征转换的方法将原始特征转换为深度的安全编码，来实现对生物特征的保护具有重要研究意义。本课题研究采用基于多标签学习的卷积神经网络和信息编码技术相结合，实现原始指纹特征到保护模板的转换，从而实现对指纹模板的安全保护，同时要求保证指纹识别的准确率。