En los últimos años, el tema de la identificación biométrica sin contacto ha ganado considerable tracción debido a la pandemia de COVID-19. Uno de las tecnologías de identificación más conocidas es el reconocimiento del iris. Determinar el umbral de clasificación para grandes conjuntos de datos de imágenes del iris sigue siendo un desafío. Para resolver este problema, es esencial extraer características más discriminatorias de las imágenes del iris. Elegir la función de pérdida adecuada para mejorar el poder de discriminación es uno de los factores más significativos en las redes de aprendizaje profundo. Este artículo propone un nuevo marco de identificación del iris que integra la arquitectura ligera MobileNet con funciones de pérdida personalizadas ArcFace y Triplet. Al combinar dos funciones de pérdida, es posible mejorar la compacidad dentro de una clase y las discrepancias entre clases. Para reducir la cantidad de preprocesamiento, se omite el paso de normalización y se utilizan directamente imágenes del iris segmentadas. En contraste con la pérdida original de SoftMax, la EER para la pérdida combinada de ArcFace y Triplet disminuye del 1,11% al 0,45%, y la TPR aumenta del 99,77% al 100%. En CASIA-Iris-Thousand, la EER disminuyó del 4,8% al 1,87%, mientras que la TPR mejoró del 97,42% al 99,66%. Los experimentos han demostrado que el enfoque propuesto con pérdida personalizada utilizando ArcFace y Triplet puede mejorar significativamente el estado del arte y lograr resultados sobresalientes.