在所有的生物识别技术，指纹识别是最古老的方法，已成功地应用在众多领域。每个人都拥有独特的、永恒不变的指纹。指纹是由手指表面一系列的山脊和犁沟组成的。特有的指纹可以确定和特征点类似的边沿模式。特征点是边沿分叉或者终止的边沿特征。 指纹匹配技术可以分为两类：基于细节和基于相关性。细节为基础的技术首先到特征点，然后描绘出这些相对放置在手指上。然而在使用这个方法时会遇到困难。低品质的指纹很难精确提取特征点。这种方法也不顾及全局模式和车辙的山脊。这种关联型方法能够克服一些困难的细节型方法。然而，它有自身的缺点。关联型技术需要精确定位点和图形翻译、旋转。
基于细节的指纹匹配方法当遇到校对微小细节变化时会有问题。指纹匹配问题的细节搭配在不同大小(注册)眼下的模式。山脊不能完全具有特征。我们正在另一个表示将更多的指纹局部信息和产量固定长度的代码的指纹。匹配就希望成为一个比较简单的计算任务之间的欧氏距离将代码。
我们正在开发更强大的算法是对噪声的指纹图像，并且提供更强的实时准确性。商业指纹认证系统需要基于一个非常低的错误拒绝接受一个给定假率（FAR）率（FAR）。这是很难实现的任何一种技术。我们正在研究从不同的匹配技术来池证据方法，以提高系统的整体精度。在实际应用中，传感器，采集系统，并随着时间的推移，在系统性能的变化是非常重要的。我们还实地测试的用户数量有限，以评估在
一段时间内系统的性能我们的制度。
大量的指纹每天收集、贮存具有一个广泛的应用，包括取证、访问控制、驾驶证申请登记。在自动识别的基础上，人们需要输入的指纹指纹相匹配，以大量的指纹数据库(FBI数据库包含了大约70万人的指纹!)。减少搜索时间和计算复杂性，这就需要进行指纹的准确性和一致性的方式使输入指纹的要求相匹配，只有一个子集的指纹数据库中的数据。
指纹分类是一种技术，分配到的几个预先指定的文献索引，可以提供一个机制来建立指纹类型。指纹分类可以被看作是一个粗糙的指纹匹配程度。一个输入指纹是第一次在粗糙的水平相匹配的一个预先指定的类型，然后相比之下，在更细的水平包含该数据库中的指纹类型只子集。我们已经开发了一种算法，这种算法分为五类，即，螺纹，右环指纹，左环，弓和帐篷。该算法通过过滤分离的一个带有指纹的Gabor滤波器组中部的脊数在四个方向（0度，45度，90度和135度）中。此信息被量化产生，这是出于分类法FingerCode。我们的分类是基于两阶段分类器的基础上来操作的，它使用了第一阶段的K -近邻分类器和在第二阶段公布的神经网络。分类器测试4000在NIST - 4数据库图像。对于难度为五级的问题，分类精度达到90％。对于四个一流问题（拱和拱成一个帐篷类合并），我们能够达到94.8％的分类精度。通过整合拒绝选项，当30.8%的图像被拒绝分类时，五级分类的分类精度可提高到96％，四级分类精度为97.8％。
