Die Segmentierung und Lokalisierung der Iris in nicht-kooperativen Umgebungen stellt eine Herausforderung dar aufgrund von Lichtveränderungen, großen Entfernungen, bewegten Subjekten und begrenzter Benutzerkooperation usw. Traditionelle Methoden leiden oft an schlechter Leistung, wenn sie mit Irisbildern konfrontiert sind, die unter diesen Bedingungen aufgenommen wurden. Neuere Studien haben gezeigt, dass tiefes Lernen beeindruckende Ergebnisse bei der Irissegmentierung erzielen kann. Darüber hinaus kann, da die Iris als ringförmiger Bereich zwischen Pupille und Sklera definiert ist, geometrische Nebenbedingungen auferlegt werden, um die genaue Lokalisierung der Iris zu verbessern und die Segmentationsergebnisse zu optimieren. In dieser Arbeit schlagen wir ein tiefes Mehrfach-Aufgaben-Lernframework vor, das als IrisParseNet bezeichnet wird, um die inhärenten Korrelationen zwischen Pupille, Iris und Sklera auszunutzen und so die Leistungsfähigkeit der Irissegmentierung und -lokalisierung in einem vereinheitlichten Modell zu steigern. Insbesondere wendet IrisParseNet zunächst ein Fully Convolutional Encoder-Decoder Attention Network (voll convolutionales Kodierer-Dekodierer-Aufmerksamkeitsnetz) an, um den Pupillenmittelpunkt, das Segmentationsmask für die Iris und die innere/äußere Grenze der Iris gleichzeitig abzuschätzen. Anschließend wird eine effektive Nachbearbeitungsmethode zur Lokalisierung des inneren/äußeren Kreises der Iris verwendet. Um das vorgeschlagene Verfahren zu trainieren und zu evaluieren, haben wir drei herausfordernde Iriscorpora manuell annotiert: CASIA-Iris-Distance, UBIRIS.v2 und MICHE-I. Diese Corpora umfassen verschiedene Arten von Störungen. Ausführliche Experimente wurden auf diesen neu annotierten Daten durchgeführt; die Ergebnisse zeigen, dass unsere Methode auf verschiedenen Benchmarks den Stand der Technik übertreffen kann. Alle Ground-Truth-Annotierungen, Annotierungscode und Evaluationsprotokolle sind öffentlich zugänglich unter https://github.com/xiamenwcy/IrisParseNet.