生物识别技术发展迅速，各种算法层出不穷。生物识别产品也越来越多的被用于事关国家和公共安全的重要领域。随着其产品化进程的加速，鉴别和选择准确、稳定的识别算法的要求日益迫切。因而，构建一个高效稳定的生物识别算法评测平台以及发展科学合理的评测算法成为当前生物识别领域的一个重要课题。本文结合实验室生物测评平台建设的实践和经验，给出了详尽的测评模型理论分析，主要包括数据库构建、测试设计、数据库质量评测、错误率和置信区间计算以及预测模型分析。此外，本文还在数据库质量评测以及预测模型的研究方面做出了全新的尝试。　　 本文的主要工作与贡献包括：　　 ①根据算法评测的任务，设计了包含数据库质量模块、比对策略模块、性能分析模块、以及预测模块的评测系统。　　 ②在数据库质量模块，改进国际上认可的NIST的nfip指纹质量评测软件，给出大规模指纹数掘库的质量标定。　　 ③针对比对策略模块，提出了基于bootstrap的选择策略，以及改进的NIST比对策略[1]和全新的用户自定义策略。　　 ④在算法性能分析模块中，采用subset bootstrap方法计算错误率的置信区间，取得良好效果。　　 ⑤在生物特征数据库的质量评测方面，提出了全新的基于分层影响因素的质量评价模型。该模型的主要特点是：根据影响因素的不同特点，即全局和局部的影响因素，分层计算数据库的质量：根据类内匹配分数的区间分布，设定质量等级；提出了子区间频率的计算方法，将匹配分数的分布与对应图像的质量相关联；该模型适用于多种模态，且各层质量均具有独立的意义。　　 ⑥提出了全新的多高斯基的性能指标预测模型，并给出相应的实验结果和研究结论。总体来说，本文针对目前生物识别领域全新的测评课题，成功的构建了实际测评系统，并在重要研究方向上给出了探索性的理论模型。在质量算法研究方面，提出了独特的分层模型。在预测模型方面，提出了基于高斯分布的预测模型。