El reconocimiento de venas ha estado atrayendo más atención recientemente porque es altamente seguro y confiable para aplicaciones biométricas prácticas. Sin embargo, problemas subyacentes como la iluminación desigual, bajo contraste y patrones dispersos con altas similitudes entre clases hacen que los sistemas tradicionales de reconocimiento de venas basados en características diseñadas a mano sean poco confiables. Los éxitos recientes de las redes neuronales convolucionales (CNN) para tareas de reconocimiento de imágenes a gran escala nos motivan a reemplazar las características diseñadas a mano tradicionales con la superior CNN para diseñar un sistema de reconocimiento de venas robusto y discriminativo. Para abordar la dificultad del entrenamiento directo o ajuste fino de una CNN con bases de datos de venas a pequeña escala existentes, se formula un nuevo enfoque de transferencia de conocimiento utilizando modelos de CNN pre-entrenados junto con un conjunto de datos de entrenamiento (por ejemplo, ImageNet) como una máquina generadora de descriptores robusta. Con los descriptores residuales profundos generados, se propone un modelo muy discriminativo, denominado codificación de vector residual profundo (DRVE), mediante un diseño jerárquico de procedimientos de aprendizaje de diccionario, codificación y entrenamiento de clasificadores. Se realizan experimentos rigurosos con una base de datos de venas de alta calidad en la parte dorsal de la mano, y los resultados de reconocimiento superiores en comparación con los modelos de última generación demuestran plenamente la efectividad de los modelos propuestos. Se diseña un experimento adicional con la base de datos de palma multiespectral de PolyU para ilustrar la capacidad de generalización.