在数字化网络化的当今社会中，为了保证信息的安全性，身份的鉴别受到了越来越广泛的关注，其产业规模也日益扩大。手形特征作为生物特征的一种拥有自己的特性。首先，由于手掌在自然情况下处于半握拳状态，特征难以直接获取，因此具有一定的保密性，不易被窃取信息进行仿制。其次，当手掌伸平时，其采集的难度和对图像的质量要求低于虹膜、指纹等纹理信息为主的特征，更容易进行非接触式的采集，因此可以减少病菌的传染并提高用户的可接受性。再次，由于手形特征与其它纹理特征相比较为简单，其特征提取方法也相对简单，因此特征处理速度较快，虽然该特征不具备高度的唯一性，却更适用于认证系统或与其它特征进行融合使用。目前对手形特征识别的研究因实际应用的需要，主要集中在非接触的采集条件下，寻找具有鲁棒性的手形识别方法。而当手掌不与采集装置中的任何部分发生接触时，由于用户个人在放置手掌时感觉的差异，会使得采集到的图像中手掌发生平移、旋转、缩放、倾斜变形等现象，本文将这些现象称为非理想现象，它会使采集得到的图像中手形特征的识别精度降低，并给手形特征的尺寸带来额外的误差。本文的主要研究内容就是针对受简单背景干扰的非理想图像进行手形的识别，具体的工作分为以下几个方面：（1）针对因文中非理想现象导致图片中存在的手掌平移、旋转、变形及手指张开程度不同等干扰影响手指特征点定位精度的问题，先通过对肤色区域在YCbCgCr彩色空间的聚类性分析获得手部区域图像并进一步提取手形轮廓，将不受手掌摆放方向影响的曲率法应用于该轮廓图像中定位手指长度特征点，再提出通过计算手指中线等分处不同位置的平均值来获得手指宽度值的方法，以避免手指处的宽度突变。将各特征进行归一化处理后，进行特征识别性能的相比，手指长度的识别率较直线拟合法提高了3.4%，手指宽度的识别率较中点法提高了1.5%，因此可以证明该手指部分特征点的定位方法在非理想条件下具有更好的鲁棒性。（2）针对非接触采集方式中，因手腕部分的灵活旋转性和手指部分张开程度的非固定性致使手腕点和手掌宽度点难以准确定位的问题，在定位手腕点时，先定义手腕的上、下候选点区域，在各个区域中寻找曲率最大的若干个点定位手腕两侧候选点，并进一步判断确定两侧点，以获得手腕点。在定位手掌宽度点时，考虑到拇指指根点的稳定性较低，将手掌小指一侧掌纹线作为参考提取手掌宽度特征。将归一化后的手掌部分特征值分别与现有的三角形面积法和距离法进行对比，手掌长度和手掌宽度的相对标准差分别减少1.63和0.61，证明文中方法在非理想条件下具有更高的定位精度。也可以通过在特征向量中增加手掌部分特征以提高手形特征的识别的精度。（3）针对非接触采集方式中因手掌摆放位置的非固定性，使得多次测量中手掌平面与摄像头平面的距离和夹角不固定，从而导致成像后手掌发生缩放和倾斜变形等给手形特征值带来额外误差的问题。本文对两种变形现象进行成像光学模型的分析，通过理论推导证明了因倾斜变形现象对特征尺寸产生的影响远小于缩放现象。因此在选用相对特征避免缩放现象的干扰后，对变形后相对特征的稳定性和识别性能进行分析，由实验结果证明本文定义的相对特征可以在小样本范围内达到88.93%的识别率，即可以作为稳定特征用于识别，以达到手形特征的有效识别。（4）针对手形特征识别过程中，由于不同特征之间高相关性，使得对于不同类具有显著差别的重要特征在特征总和中占的比重变小，从而当使用门限的方法进行分类时可能会降低识别性能的问题，提出一种利用信息增益和相关系数分别对特征的分类区分度和相关性进行分析和评价，并经过对两个参数的综合分析优化选择手形特征的方法。该方法能够同时去除低分类区分度以及高相关性的冗余特征，在识别性能仅降低0.7%的情况下减少23个特征。此外由于不是对特征子集进行逐一的搜索，则该方法的复杂性较低。而经过选择后的优化子集，由于特征向量中维数的减少，能够提高识别速度，因此可以用尽可能少的特征数目达到有效识别的效果，有利于手形特征与其它特征进行融合使用。