指纹识别是应用最广泛的身份认证技术之一。随着移动终端集成度的增加和消费者对终端轻便性要求的不断增长,指纹传感器采集面积不断减小,从而导致了用于指纹匹配的有效信息减少;另一方面,移动终端上指纹的采集条件复杂多样,且诸如皮肤龟裂、污渍等不利条件会对指纹图像造成影响。因此,小面积低质量指纹识别技术不仅是一项具有广泛应用前景的身份认证技术,而且是一项迫切需要解决的技术难题。本文的研究聚焦于低质量小面积指纹匹配,提出了一个全新的小面积指纹图像匹配算法框架,并在公开数据集以及自有数据集测试中达到了目前小面积指纹识别最好的性能。主要工作和创新点如下:（1）指纹图像增强。针对指纹图像质量较差和使用场景多样化的问题,我们首先采用卡通纹理分解来消除采集环境不同造成的指纹图像差异,提高指纹识别算法的多场景适应能力;第二,通过神经网络提取稳定的指纹方向场信息;第三,将提取到的方向场信息应用于Gabor滤波器中,增强指纹图像的纹理结构,修复指纹破损区域。通过Gabor滤波,图像中的背景噪声被减弱。（2）指纹图像对准。针对小面积指纹存在图像旋转平移大,重叠面积小的问题,我们设计了空间变换网络（Spatial Transformer Network,STN）,在指纹识别过程中自动对准输入的指纹图像。所设计的STN网络采用多角度旋转和网络权值共享策略,能够适应任意变换角度的输入指纹图像,大幅度提升了仿射变换参数预测性能。（3）指纹图像匹配。针对小面积指纹可用的细节点特征较少、且大数据场景下指纹细节点、方向场的标注比较困难的问题。我们设计了基于局部自注意力机制的指纹配对二元分类模型。通过使用多尺寸滑动窗口策略来提取不同尺寸下的指纹特征,并使用乘积网络来加权指纹局部特征。实验表明,我们提出的匹配网络能够在没有先验信息的条件下,自动学习到指纹一级和二级特征,如脊线、细节点等,并实现了较好的指纹识别性能。本文针对低质量小面积指纹匹配课题进行研究,所提出的指纹匹配算法在FVC2006小面积指纹识别比赛中,取得了等错率（EER）3.15%的成绩,远超排行榜第一名（EER:5.56%）,且性能也优于最新的商用指纹识别算法Veri Finger12.0（EER:4.04%）。此外,我们还将指纹匹配算法应用到手机屏下指纹识别场景中,正常皮肤湿度条件下,达到了误识率小于五万分之一的条件下,误拒率3.103%的良好性能。