随着网络和计算机的飞速发展,人们日常的生活越来越离不开电脑和网络。整个社会的运转对计算机和网络的依赖越来越大,政府、军队、商业机密信息的保密机制需要不断加强。然而传统的保密和认证方式己越来越难以保证认证的安全性。然而,利用个人独特的生物特征辨认其身份的生物特征识别技术,则由于其难以复制或伪造的特征,可以真正有效地解决安全认证问题而备受关注。掌纹识别技术利用人的掌部纹理作为生物特征进行身份的自动确认,是生物特征识别领域的一新兴技术。掌纹由于易于获取,主特征明显、稳定、具有可分性等特点,以及掌纹自动识别系统具有直接、友好、方便、良好的唯一性和应用范围广的优点,从而成为一种很有发展潜力的身份识别方法。经过十多年广泛的研究,掌纹识别在理论和实践方面都有了一定的基础。特别是在掌纹图像的预处理及分割阶段,方法相对较多且比较成熟。本文重点研究掌纹特征提取阶段的特征提取算法二维保局投影(2DLPP)和掌纹识别阶段的数据分类算法最小最大概率机(MPM)。本文的主要工作如下:①把基于流形学习的特征抽取方法二维保局投影(2DLPP)改造成增量学习算法,即增量二维保局投影。在二维保局投影的理论中,目标优化方程最终等价为解一个广义奇异值问题。求解广义奇异值方程有多种方法,比如基于QR分解的方法,基于广义奇异值分解的方法(GSVD)等。本文使用的是基于GSVD的方法求解2DLPP中的广义奇异值问题,并在求解过程中对2DLPP进行增量学习。实验结果和理论分析表明,改进后的算法能够在保持原有算法识别率的同时,降低算法的计算复杂度。②研究了用于数据二分类的最小最大概率机(MPM)理论,并指出了其不足之处,即MPM在进行数据分类时,没有考虑到样本的特征的重要度对分类性能的影响。其对样本进行训练学习时,都假定样本向量的各维特征对分类的贡献均匀,没有考虑各个特征对分类的影响。针对这些不足,本文在MPM的核函数计算中,引入了Boosting权值确定方法,构造特征加权最小最大概率机(FWMPM)。利用Boosting方法计算各个特征对分类任务的重要度,然后把此特征重要度作为原始数据各个特征的权重,对核函数中的内积和欧氏距离进行加权计算,从而减轻最小最大概率机被一些弱相关的特征影响。实验结果和理论分析表明,此方法比标准最小最大概率机具有更好的分类性能。