1.一种通过神经网络来进行虹膜识别的方法,该方法应用于虹膜识别系统，所述虹膜识别系统包括通用信息终端、红外光源，所述通用信息终端上设置有红外摄像头，所述方法包括下述步骤：
设计和训练五个神经网络，分别为第一至第五神经网络，其中第一神经网络用于寻找瞳孔圆心；第二神经网络用于寻找虹膜外边界圆心；第三神经网络用于确定瞳孔半径，第四神经网络用于确定虹膜外边界半径；第五神经网络用于虹膜特征比对；
通过红外摄像头拍摄样本虹膜图像，然后通过第一至第四神经网络寻找得到瞳孔的圆心和半径，以及虹膜外边界的圆心和半径，最后得到样本虹膜编码并保存；
在登录认证时，通过红外摄像头拍摄登录虹膜图像，在登录虹膜图像上建立坐标系，然后使用二维加博滤镜进行卷积，得到登陆虹膜编码；
通过第五神经网络将登录虹膜编码与样本虹膜编码进行比较判断是否来源于同一个虹膜活体，如果是，则认证通过。
2.如权利要求1所述方法，其特征在于，所述设计和训练五个神经网络步骤，具体包括：
建立一个虹膜图像数据库，数据库中保存有多个用户的多张虹膜图像。
然后标定出每张虹膜图像中瞳孔的圆心和半径，以及虹膜外边界的圆心和半径。
根据所述虹膜图像数据库中图像尺寸设计五个神经网络，所述神经网络包括输入层、中间层和输出层，选定一定形状区域作为神经网络的输入层，输入层的每个节点根据像素亮度由最黑的取值到最亮的取值映射到[0,1]的区间，区域内的像素作为训练样本，五个神经网络具体训练如下：
在训练第一神经网络时，当截取的训练样本中心与瞳孔圆心的距离小于等于误差半径r1时，将训练结果标定为1，表示训练样本中存在瞳孔并且位置在正中，当截取的训练样本中心与瞳孔圆心的距离大于误差半径r1，或者训练样本中没有瞳孔时，将训练结果标定为0；
在训练第二神经网络时，当截取的训练样本中心与虹膜外边界圆心的距离小于等于误差半径r2时，将训练结果标定为1，表示训练样本中存在虹膜外边界并且位置在正中。当截取的训练样本中心与虹膜外边界圆心的距离大于误差半径r2，或者训练样本中没有虹膜外边界时，将训练结果标定为0；
在训练第三神经网络和第四神经网络，只截取以瞳孔或者虹膜外边界的圆心为中心的图像作为输入层，输出层的每个节点标识一个半径的取值，训练一个图像样本时，其人为标定的半径值所对应的输出节点的训练结果标定为1，其余节点的训练结果标定为0；
在训练第五神经网络时，其输出层为一个节点，用来表示两个虹膜编码是否来源于同一个虹膜活体的判定结果，在已知一个虹膜图像样本中的瞳孔圆心与半径、虹膜外边界的圆心与半径的基础上，从中抽取虹膜图案并得到虹膜编码，虹膜编码中的每个值对应输入层的一个节点，将两个虹膜编码进行异或运算，得到的结果作为神经网络五的输出，如果两个虹膜编码来源于同一个虹膜活体，则将训练结果标定为1，否则将训练结果标定为0。
3.如权利要求2所述方法，其特征在于，所述通过第一至第四神经网络寻找得到瞳孔的圆心和半径，以及虹膜外边界的圆心和半径，最后得到样本虹膜编码并保存步骤，具体包括：
在寻找瞳孔/虹膜外边界圆心时，使用第一/第二神经网络对虹膜图像进行一次卷积，将得到一个灰度图像，瞳孔的周围将出现高值，其它地方则是低值；
对灰度图像使用均值滤镜，以去除一些零散的噪音；
然后将阈值n以下的像素清零；
最后对高值区域的像素的横纵坐标分别计算加权平均数，得到的结果就是瞳孔/虹膜外边界的圆心；
在得到瞳孔/虹膜外边界圆心后，以瞳孔/虹膜外边界圆心为中心截取一个矩形的图像，然后交给第三/第四神经网络来确定瞳孔/虹膜外边界的半径；
在虹膜图像上建立坐标系，然后使用二维加博滤镜进行卷积，得到样本虹膜编码。
4.如权利要求3所述方法，其特征在于，所述通过第五神经网络将登录虹膜编码与样本虹膜编码进行比较判断是否来源于同一个虹膜活体，如果是，则认证通过步骤，具体包括：
先计算登录虹膜编码与样本虹膜编码的海明距离；
在海明距离小于阈值a时，直接判定为来源于同一个虹膜活体；
在海明距离大于阈值b时，直接判定为来源于不同的虹膜活体；
在海明距离处与a与b之间时，将登录虹膜编码与样本虹膜编码按位进行异或运算，运算结果作为第五神经网络的输入层节点，第五神经网络的输出为1时则判定为来源于同一个虹膜活体，通过认证。
5.如权利要求1-4任一项所述方法，其特征在于，所述红外光源具一个长间隔闪动的节能模式和一个短间隔闪动的高效模式，在寻找到虹膜图像时，进入高效模式，在长时间没有虹膜认证动作时，进入节能模式。
6.如权利要求5所述方法，其特征在于，所述红外光源前端放置有一个透镜或透镜组以收敛光线提高光线利用率，所述红外光源与凸透镜的距离必须小于凸透镜的焦距以保证光线的安全性，收敛的光线发散角度小于45度。