本文的研究内容主要围绕着匹配与特征的主线来展开,包括指纹匹配、点集匹配、特征提取等。研究工作分为两个方面,一是对指纹自动识别算法中的核心问题的研究,主要包括指纹切割与指纹匹配；二是对计算机视觉中的匹配与特征问题的研究,包括点集匹配与特征提取。取得的主要成果如下:　　 (1)提出了一种基于局部二进制模式(LBP)的指纹切割算法。将LBP直方图特征用于指纹切割,能有效的去除先前指纹采集留下的伪纹线残影区域,从而提高细节点特征提取的准确度。　　 (2)提出了完整的指纹匹配算法。主要贡献是提出了基于凸包的删除虚假匹配的算法。当细节点匹配关系确立后,其中可能存在虚假匹配,删除虚假匹配对改进匹配度得分有直接影响。实验证明该算法具有良好的性能。　　 (3)提出了基于邻域关系的迭代增强匹配算法。该算法的优点是对特征要求低,适用于一般的点集匹配；依赖的假设前提少,主要基于邻域内运动的一致性。随机点集上的大量仿真实验表明该算法具有较好的稳定性和鲁棒性。　　 (4)提出了基于匹配的特征提取算法。在特征提取研究中,对全局运动参数的确定有关键意义的点经常被称为特征点或者关键点,包括拐角、交叉点等。然而在通常的特征检测算法中,这些特征的检测是静态的,即专家根据应用需要设计某种特征检测算法,针对模板图像和查询图像分别进行特征检测,然后进行特征匹配。我们试图跳出传统模式识别理论的框架,通过匹配提取特征,为特征提取开辟新的路子。既然目标匹配可以看作是一个运动估计的过程,那么能否在目标匹配的过程中自动发现那些对全局运动参数有关键意义的点呢?这就意味着在匹配过程中发现特征。我们认为特征的广泛定义是目标在匹配过程中对全局变换参数的确定有突出贡献的区域。本文试图说明,特征乃是匹配的产物。特征是有助于确定匹配参数的关键因素,在匹配的过程中自然浮现。特征并非匹配的前提,匹配亦可以用来提取特征。实验中,针对离散点集构成的目标物,该算法能有效的提取出有区分力和代表性的关键特征区域。