新冠肺炎疫情暴发以来，全球已有超过23万名医护人员感染新冠病毒，非人工接触手背静脉自动注射方式因其良好的隔离性受到众多医护工作者的欢迎，而实现非接触式手背静脉自动注射的关键是实现手背静脉检测与分割及入针点位置的决策。针对手背静脉检测问题，提出了一种基于U-Net改进的指导注意力机制的图像处理算法（AT-U-Net），并基于自建手背静脉数据库进行了实验，其准确率达到93.6%。根据手背静脉检测的结果，提出了一种基于剪枝算法的手背静脉入针点位置决策方法（PT-Pruning）。通过PT-Pruning提取手背静脉主干线，综合考虑每条静脉血管入针点区域的血管截面积及弯曲值，最终获得手背静脉最优入针点。与自建的手背静脉入针点数据库进行对比，有效入针点注射区域检测准确率达到96.73%，最优入针点注射区域检测准确率达到96.5%，为后续机械自动注射奠定了基础。

新冠肺炎疫情的暴发使得非接触式静脉注射机器人备受医务人员青睐，但目前对机器人入针角度的研究较少，多以粗略的角度进行入针操作，这会增加穿刺失败率，且由于患者本身存在的个体差异，有时会有明显疼痛感。为此，针对手背静脉注射机器人入针角度的确定展开研究，重点完成对手背测量数据的优化，以保证入针角度计算结果的准确性。首先通过单目相机与线结构光扫描相结合的方法获得手背入针区域空间点云，利用最小二乘法对手背点云进行拟合得到手背平面；在线结构光系统标定过程中，通过构造误差函数，采用最优化方法进行迭代求解来消除测量误差；然后以得到的入针区域平面为依据确定入针角度；最后设计实验，验证所提方法的准确性。实验结果表明，优化后结构光平面位置的平均误差约为0.1 mm，满足项目需求，为后续全自动注射奠定基础。

针对身份识别容易被仿冒和造假的问题,提出了一种利用近红外相机捕获手背静脉同时具有活体检测功能的身份识别方法,手背静脉图像提供静脉特征作为身份识别的依据,与此同时获取的脉搏波的周期性特征作为活体检测的标志。利用自行搭建的手背静脉和脉搏波捕获实验装置,研究了70个个体的手背静脉图像以及活体和假体的静脉图像特征,并提出了提高身份识别准确率的算法。采用主成分分析对活体静脉特征向量进行降维,降低分类算法的复杂度,结合马氏距离去除异常样本,以提高识别精度,再采用参数优化的随机森林算法和支持向量机算法实现了手背静脉的精准识别。结果表明:基于手背静脉特征结合随机森林算法和支持向量机算法可以对不同个体进行身份识别,识别准确率分别为99.28%和99.86%,识别时间分别为0.368 s和0.110 s。