特征抽取在模式识别领域是核心问题之一,其主要任务便是从原始样本信息中提取出最有利于模式分类的有效鉴别信息。在生物识别中,基于编码的方法,由于其具有很多优势,如精确度高、鲁棒性好、紧凑且匹配速度快,使其得到成功且广泛的应用。本文着重研究了基于编码的指关节纹识别方法。但是一般基于编码的的特征抽取方法通常只考虑到图像的局部信息而忽略了全局信息,因此对于局部和全局信息的融合也是本文的研究内容之一。本文的研究内容主要分为四个部分：(1)研究了采用可操控滤波器(steerable filter),提取出指关节纹的连续方向信息,避免了竞争编码中Gabor滤波器提取的方向不连续的问题,研究了自适应可操控方向编码方案(ASOC)。实验结果表明,该方法能很好的解决竞争编码中方向信息不连续的问题,获得较高的识别率。(2)提出基于二值Gabo模式的指关节纹识别方法。首先对图像提取多尺度的Gabor响应并二值化,然后进行BGP编码,即提取出样本图像的BGP特征图。最后的分类是基于BGP直方图实现的。实验结果表明,无论是在识别率,还是存储空间上,该方法都要优于LGBP。(3)研究了基于局部和全局信息融合的指关节纹识别方法LGIC。首先分别对局部和全局信息进行特征抽取和匹配,最后主要研究了将局部和全局匹配结果进行融合的算法。实验结果证实了局部和全局融合的方法超越了仅依靠局部或全局某一种特征的几种方法。(4)提出基于稀疏编码(SMCC)的指关节纹识别方法。首先由18个sDoGs构成稀疏表示字典,对指关节纹图像进行稀疏表示,最后对提取出的特征矩阵图像采用竞争准则进行编码。实验结果表明SMCC要优于其他三种基于方向信息的编码方法。