指纹识别作为一种新兴的生物特征认证方式,利用人体自身生理特征对私人信息加以保护,不仅在智能手机解锁领域表现突出,更是在安全支付领域大放异彩,充分体现其安全、稳定、方便、高效的优点。目前,屏下指纹识别技术刚刚兴起,受采集设备和场景环境的限制,采集到的屏下指纹图像大多面积小、质量差、分辨率低,很大程度上影响了指纹识别系统的性能。本文在广泛阅读相关文献的基础上,对OLED屏下指纹图像的修复与特征提取技术进行深入研究,并提出相应算法以解决指纹自动识别中所遇到的问题。首先,为了去除指纹图像因按压不全产生的无效背景,本文设计了一种基于改进主动轮廓模型的图像分割算法,在确定初始手指边缘轮廓线的基础上,将指纹图像的有效区域精准快速地分割出来。其次,为了解决指纹图像因手指过湿和过干引起的区域模糊与缺失的问题,本文分别设计了一种基于椭圆模型的EMEE算法和一种基于生成对抗思想的Light Net网络。再次,针对指纹图像质量评估算法客观性不足引起的图像修复效果难以评估的问题,本文设计了一种基于XGBoost分类器的多特征融合质量评估算法,根据多种单特征指标在XGBoost分类器中的重要性进行权重分配,以计算最终量化分数,并提出改进的遗传算法对分类器进行参数调优。最后,针对指纹图像因采集面积过小引起的细节特征点过少的问题,本文设计了一种基于细节点特征与关键点特征的融合特征提取算法,选用Finger Net神经网络提取细节点特征,选用PCA-SIFT算法提取关键点特征,二者加以融合,最终获得指纹图像中具有特异性、鲁棒性与代表性的特征信息。在自建的FS2020数据集上的大量实验结果表明,与指纹识别领域多种相关算法相比,本文提出的图像修复与特征提取算法能有效解决因OLED屏下指纹面积小、质量差、分辨率低引起的各种问题,并取得了良好的识别效果,为OLED屏下指纹识别系统的应用提供了技术支撑。