掌纹识别作为一种新兴的生物识别技术，具有较好的市场前景，近年来得到了广泛的关注与研究，已经形成了比较成熟的理论，现在开始走出实验室，进入应用阶段。掌纹的识别现在主要采用顺序比对法，即将待识别的掌纹样本与数据库中的掌纹样本逐一进行匹配。这种方法在数据库中的掌纹样本数较小的时候能快速给出识别结果。但当数据库的样本太大的时候识别所消耗的时间会明显的增加，以至于超出人们能够接受的范围。另外，研究表明生物识别系统的错误接受率会随着数据样本数的增加而出现几何级的增长，大大降低系统的安全性。因此，要使掌纹识别技术能够应用于大规模数据样本的环境，就必须尽可能地减少识别时的搜索空间，缩短识别时间。本文首先介绍了生物特征快速识别的常用方法并且分析了其优缺点，然后设计了一个基于聚类的掌纹快速识别的系统框架。本文重点研究了K-means和DBSCAN两种聚类算法，并且针对它们各自的缺点提出了相应的改进措施。针对K-means聚类算法对初始聚类中心敏感的问题，提出了一种改进的初始中心选择方法。该方法选择分隔得尽量远的几个数据点作为初始类中心。针对DBSCAN算法对参数Eps和MinPts敏感且两个参数不好确定的问题，提出了一种利用Gaussian-means算法自动估算Eps和MinPts的方法。实验结果表明，本文改进的聚类算法与原始的算法相比能产生更好的聚类结果。最后，实验结果显示将改进的K-means聚类算法应用到本文设计的掌纹快速识别系统上能显著地提高掌纹识别的速度并且保持大约97%的识别精度。