La evolución del aprendizaje profundo ha promovido el rendimiento de los sistemas de verificación de venas de los dedos, pero también ha traído algunos problemas nuevos que deben resolverse, incluida la alta carga computacional, la demanda de muestras de entrenamiento masivas, así como la adaptabilidad y generalización a varios equipos de adquisición de imágenes, etc. En este documento, proponemos una arquitectura de red novedosa y ligera para la verificación de venas de los dedos, que se construyó sobre la base de un marco Siamese e incrustado con un par de ocho capas de pequeñas ResNets como la red de ramificación principal. Por lo tanto, puede mantener una buena precisión de verificación en circunstancias de un conjunto de entrenamiento a pequeña escala. Además, para reducir aún más el número de parámetros, se introdujeron filtros de orientación Gabor (GoFs) para modular los núcleos convolucionales convencionales, de modo que se requirieran menos núcleos convolucionales en la modulación Gabor subsiguiente, y se pudieran obtener simultáneamente núcleos insensibles a la escala y la orientación. El marco de red Siamese propuesto (red residual Gabor Siamese (SGRN)) incrusta dos subredes residuales Gabor que comparten parámetros (GRNs) para el aprendizaje contrastivo; las entradas son muestras de imagen emparejadas (una imagen de referencia con una imagen positiva/negativa) y las salidas son las probabilidades de aceptación o rechazo. Se realizaron experimentos independientes del sujeto en dos conjuntos de datos de venas de los dedos de referencia, y los resultados experimentales revelaron que el modelo SGRN propuesto puede mejorar la discrepancia interclase y la similitud intraclase. En comparación con algunos modelos de red profunda existentes que se han aplicado a la verificación de venas de los dedos, nuestro SGRN propuesto logró un ACC de y un EER de en el conjunto de datos FV-USM y un ACC de y un EER de en el conjunto de datos MMCBNU_6000. Además, el SGRN tiene menos parámetros de modelo con solo 0.21 Params y 1.92 FLOPs, superando a algunos modelos de verificación de FV de última generación; por lo tanto, facilita mejor la aplicación de la verificación en tiempo real de las venas de los dedos.