指纹识别是生物特征识别中出现最早、技术较为成熟的一种身份认证方式。由于指纹识别技术的唯一性、不变性和方便性等特点,被广泛应用于各个领域。自动指纹识别技术也是生物特征识别研究领域的一个热点,并取得了许多研究成果。但是,自动指纹识别系统的性能受到指纹图像质量的影响。指纹图像质量的评估,对于自动指纹识别系统性能的提高,尤其是在图像采集、预处理以及匹配等环节,具有重要意义。目前,对于提高自动指纹识别系统性能的研究工作主要包括：提高预处理阶段的性能；指纹多模板或者多算法的融合以增加识别信息；高分辨率的指纹特征提取与识别技术。但是,对指纹图像质量的研究工作较少。如何对指纹图像质量进行准确评估,以及如何利用指纹质量评估的结果进一步提高指纹识别系统的性能,是值得研究的课题。针对当前对指纹图像质量进行分类的准确率较低的问题,提出了一种新的基于度量学习的指纹图像质量分类方法。提取指纹图像的有效区域面积、灰度均值和方差、Gabor特征、方向对比度、方向一致性、频谱能量集中度7个质量特征指标,用LMNN算法学习出一个新的距离度量函数,并在新的度量空间下利用KNN分类器对指纹质量进行分类,实验结果验证了其有效性。针对现有算法对于低质量指纹的识别准确率不高问题,提出了一种基于质量的指纹验证方法。将图像的质量作为指纹匹配时考虑的一个因素,和原始匹配得分共同决定两幅指纹是否来自于同一个手指。该方法在决策时从一维信息上升到了二维信息。实验结果表明,相比于传统的指纹验证方法,基于质量的指纹验证方法能够显著的提高识别的准确率。而且,当误识率固定时,基于质量的指纹验证方法的拒识率比传统方法要低。针对在基于质量的指纹验证方法中存在的原始匹配得分和质量得分的非线性问题,提出使用机器学习方法进行改进。把两幅指纹的匹配情况看作一个样本,原始匹配得分和质量得分作为这个样本的两维特征。判断待匹配指纹是同源还是异源的问题就转化为对一个具有二维特征的样本的二分类问题。使用常见的机器学习算法,对匹配情况进行分类。实验结果表明,采用机器学习算法可以较好的解决样本的非线性可分问题,提高了识别的正确率。下一步的工作主要集中在：一是对指纹质量库的建设和质量评估标准的研究；二是对指纹图像评估指标的合理选择和组合的研究；三是如何更加合理的利用指纹质量提高指纹识别系统的性能,并推广到其他生物特征识别中。