现场指纹是指犯罪现场中无意间留下的指纹。与常规指纹相比,现场指纹的图像质量较差、纹理不够清晰且常常被各种噪声所覆盖。传统自动指纹识别系统难以应对现场指纹这些特性。因此,高性能的现场指纹增强方法和特征提取方法就成为该领域的热点问题。目前,基于传统方法的现场指纹增强算法对于图像复杂背景的鲁棒性不足,其增强结果在面对复杂现场指纹时性能并不可靠;基于深度学习的方法由于网络设计和训练方法的不合理,其增强效果仍有很大的提升空间。本文针对目前现场指纹增强算法存在的这些问题,基于深度学习的最新发展,提出了一种基于生成对抗网络的新型现场指纹增强方法。生成对抗网络作为生成模型的一种,在许多计算机视觉任务上都取得了优异的性能,但指纹识别领域的研究还很有限。本文的现场指纹增强模型主要由两个部分组成:一个由卷积层和反卷积层组成的生成网络和一个判定网络。卷积部分是提取指纹特征,特别用于增强。利用增强反卷积技术去除结构噪声,实现指纹的增强。通过采用像素对像素和端到端学习的方式进行训练,本文提出的增强网络可以直接增强现场指纹作为输出。我们还研究了一些实现细节,如人工现场化指纹和多尺度图像融合。通过在NIST SD27现场指纹数据集上实验,并使用Verifinger SDK作为匹配算法,最终匹配结果Rank-1识别率达到41.5%,Rank-20识别率达到59.30%,表明了该方法在现场指纹增强问题上的有效性和鲁棒性。指纹特征在指纹识别中起着重要的作用。对于质量较差的现场指纹,提取可靠的细节点是一项困难的工作。目前主流细节点算法都是针对高质量的指纹,无法满足复杂情况下的现场指纹细节点提取。虽然,存在一些现场指纹细节点提取算法,但由于网络架构的落后和领域知识的缺失,其细节点提取准确度无法满足系统识别的要求。本文针对这些问题,设计并实现了一种基于领域知识和级联深度网络的现场指纹细节点提取方法。主要包括两个部分,基于细节点预提取网络和基于卷积神经网络(CNN)的细节点判定网络。通过将前文现场指纹增强图像作为输入,可以克服复杂背景噪声带来的影响。并通过利用领域知识,训练网络直接从指纹数据中学习细节点特征。原始指纹以固定的步长映射到相应大小的细节点分数映射。因此,大量的细节点将通过一个给定的阈值被提取出来。然后将以这些细节点为中心的细节点块输入到卷积神经网络(CNN)中,对这些细节点进行重新判定并计算其方向。实验证明,在公开的NIST SD27现场指纹数据库上的细节点提取,本文算法的Precision Rate达到66.7%,Recall Rate达到68.2%,明显高于其他先进的细节点提取算法。