El reconocimiento de venas en el dedo se considera una tecnología de identificación biométrica muy prometedora debido a su excelente rendimiento de reconocimiento. Sin embargo, en el mundo real, el sistema de reconocimiento de venas en el dedo sufre inevitablemente del problema de muestra única: es decir, solo se registra una muestra por clase. En este caso, el rendimiento de muchos algoritmos clásicos de reconocimiento de venas en el dedo disminuirá o fallará porque no pueden aprender suficientes variaciones intraclase. Para resolver este problema, en este artículo, proponemos un método de generación de muestra virtual basado en flujo SIFT (SVSG). Específicamente, primero, en el conjunto genérico con múltiples muestras registradas por clase, se obtiene la matriz de desplazamiento de cada clase utilizando el algoritmo de flujo de transformación de características invariante a la escala (SIFT-flow). Luego, se extraen los desplazamientos clave de cada matriz de desplazamiento para formar una matriz de variación. Después de eliminar desplazamientos de ruido y desplazamientos redundantes, se obtiene la matriz de variación global final. En el conjunto de muestra única, se generan múltiples muestras virtuales para la muestra única de acuerdo con la matriz de variación global. Los resultados experimentales en la base de datos pública muestran que este método puede mejorar efectivamente el rendimiento del reconocimiento de venas en el dedo de muestra única.