图像分割是从图像处理到图像分析的关键技术。几何活动轮廓模型是为解决图像处理和计算机视觉领域广泛存在的图像分割问题而提出来的。梯度函数是在研究几何活动轮廓模型时将界面或者演化曲线看成高一维空间中某一函数ψ原型。指纹识别过程主要包括指纹采集、指纹分类、特征提取和指纹匹配四个步骤。现有指纹识别技术中的指纹分类大多是根据奇异点的数目、类型和位置等信息来实现固定分类,根据指纹方向场信息进行连续分类。在指纹匹配算法中,主要是基于部分奇异点对的匹配,通常所见的指纹匹配算法中认为:只要比对13个特征点重合,就认为是同一指纹。当采集到的指纹图象遇到刮擦,扭曲,变形,水痕等情况,现有的指纹识别算法功能就很难达到,其主要原因在于现有的指纹分类算法大多都只是基于灰度估算算法计算方向场,当采集图象的灰度估算在失效的情况下,就很难对现有指纹图象进行分类,从而导致整个指纹识别算法失效;在指纹匹配算法中,由于未对捕获到的指纹特征点进行具体的分类,从而导致了指纹匹配算法中的奇异点对量过大,致而整个匹配算法的效率低下;此外,从整个指纹识别算法来看,指纹分类算法和指纹匹配算法是彼此孤立的过程,这样在1:N运行模式下,没有实现指纹分类和指纹匹配算法的同步,从而拖慢了整个系统的运行效率。本文在现有的梯度函数研究的基础上,分析传统梯度函数的优缺点,引入一种新的梯度函数:局部调整梯度函数,再结合现有指纹分类算法中构建指纹方向场所存在的局限,把灰度估算方向场算法和局部调整梯度计算方向场算法有机结合起来,提出一种新的建模思路,即:把两中指纹分类算法有机的统一到一种算法中来。这样一来,即使其中一种分类算法失效,也能保证指纹分类算法有效性,从而达到提高指纹分类算法的鲁棒性的效果。本文针对传统意义上单纯匹配细节点的算法,提出了一种改良后的算法:匹配细节点对的算法。在算法中,引入奇异点的邻近结构,即在以奇异点或者特征点为中心,构造同心圆的过程,在同心圆内所包含的细节点即为该奇异点邻近的邻近结构,然后对该结构内的细节点进行分类,在分类后,对不同类的细节点进行构造细节点对。那么单纯匹配细节点算法中:匹配13个以上的特征点对匹配的情况,就认为两张指纹图象完全匹配。就可以变为:只要匹配6对到7对细节点对的情况就可以认为两张指纹图象完全匹配。这样一来,通过对特征点进行分类,就达到了降低匹配指纹特征点的数目,从而了提高匹配的效率。在实际的1:N模式指纹识别系统中,都会存在在线匹配的情况,如果单纯的把指纹分类和指纹匹配算法孤立起来,那么这样的指纹识别系统效率是十分低下的。本文把孤立的指纹分类算法和指纹匹配算法有机的结合起来,即在指纹分类算法中所捕获到的指纹特征点信息一部分用来进行指纹分类,而另一部分进行对下一模板匹配。这样就实现了指纹识别系统中的指纹分类和指纹匹配的同步进行,大大提高了整个1:N模式下指纹识别效率。