当前,指纹识别仍然是一个研究热点。经过国内外同行的多年努力,指纹识别在越来越多的领域得到了广泛的应用,但是指纹识别中仍然存在许多问题,如高安全应用问题,多模板集成问题,全匹配分序列问题等。本文针对这几个问题,结合集成学习方法,提出了较合理的方法进行解决,取得了不错的效果。本文工作主要包括以下3方面内容：(1)高安全应用问题。核电站访问控制、ATM机访问控制以及高度军事机密场所的访问控制等高安全应用环境,对生物特征识别系统的基本要求是在确保极低误识率的前提下,同时尽可能的降低拒识率,称之为“双低”问题。然而当前追求低等错误率的目标,并不能很好的解决这一问题,因为一个具有低等错误率的系统,其极低误识率下的拒识率可能会很高。为解决上述应用问题,本文利用集成学习的思想,提出一种混合集成方法。该方法使用了两种具有互补性的指纹识别方法：基于细节点的指纹识别方法和基于纹线的指纹识别方法,并且两种方法初始阂值的设置都很高,使其误识率为零。首先使用串行集成方法,将那些易识别的指纹图像识别正确,然后使用并行集成方法,将那些较难识别的指纹图像识别正确。在FVC2002DB1和FVC2002DB2上的实验结果验证了该方法的有效性。(2)多模板集成问题。在指纹注册阶段,通常会注册多幅模板图像。但是,这样会存在两个问题：一是浪费存储空间,二是浪费识别时间。如何能够从多幅模板图像中选择出较合适的几幅图像作为模板以及这些模板图像如何充分使用一直是待解决的问题。为解决这一问题,本文提出一种基于匹配分到几何结构映射的多模板集成框架,针对以上两个问题,首先在注册阶段,提出了一种模板选择方法,该方法能够选择互补性较大的模板指纹,这样就能用较少的指纹图像代替多幅注册图像,节省了存储空间。然后提出一种匹配分到几何结构映射的识别方法,该方法能够充分利用各个模板之间的相似性,以及待识别样本与模板之间的相似性。在FVC2004指纹库上的实验结果验证了该框架的有效性。(3)全匹配分序列问题。在生物特征识别中,一个待识别样本需要和数据库中的所有模板进行比较,然后获得一个匹配得分序列,通常情况下,在这个序列中只有最大得分被用来进行识别,而其他的得分被认为是没用的并且被忽略掉了。我们认为除了最高得分,匹配得分序列的其他得分也是有判别能力的。基于以上的考虑,本文将获得的所有匹配得分进行集成,提出了一种新的特征：全匹配分序列。然后利用该特征提出了一种识别方法。在自建库上的实验结果验证了该方法的有效性。鉴于以上的工作,只是利用初步的实验进行了验证,还未能从理论上进行进一步的说明。下一步的研究重点主要有两个：一是进行理论上的证明；二是对实验对象进行扩充,验证本文提出方法的泛化能力。