指纹识别因为其悠久的历史以及较高的识别精确度,成为了目前最成熟的生物特征识别技术之一,并被广泛的应用到各个领域当中。在大型的指纹数据库中,待识别指纹与样本数据库中的大量指纹逐一进行比对,是极其耗费时间的。指纹分类技术作为加快算法速度的关键技术之一,它为自动指纹识别系统提供了一个索引机制。现今主流的分类技术多是依据奇异点的数目、类型和位置等信息来实现的。另外,在指纹匹配过程中,基于奇异点的匹配算法和处理低质量指纹图像时所采用的基于指纹纹理的匹配算法都需要准确可靠地定位奇异点,所以准确、可靠地检测奇异点的数目、类型和位置对于指纹分类乃至整个自动指纹识别系统都有重要的意义。国内外学者已经对指纹奇异点检测进行了大量的研究,目前对于低质量指纹的奇异点检测结果还不够理想。针对低质量指纹图像奇异点检测这一难题,本文提出了三个算法,实验结果验证了算法的有效性。本文的主要研究内容包含三个部分,改进的Poincare index方法、结合指纹图像Gaussian-Hermite矩分布属性的奇异点提取、基于多分辨率思想的奇异点提取:改进的Poincare index方法:针对现有Poincare index方法存在伪点检出较多和抗噪性较弱的问题,提出了一种改进的Poincare index奇异点检测方法。沿围绕奇异点的封闭曲线,其上的点的方向角变化是连续的且只有一个方向角差值的绝对值大于π/2。基于此,本文改变了原来的相邻方向角差值调整公式,并加上了两个限制条件,这在一定程度上增强了Poincare index方法的抗噪性,并减少了delta点的漏检。结合指纹图像Gaussian-Hermit矩分布属性的奇异点提取:在处理低质量指纹图像时,由于可靠地计算纹线方向本身就是一个难题,因而单纯基于方向场信息的奇异点提取算法不仅精确度不高,而且检测到的伪点较多。Gaussian-Hermite矩是一种带有平滑窗函数的正交矩,它能较好地描述低质量指纹图像的纹线一致性变化趋势。从奇异点区域向外,纹线一致性越来越好,利用这一全局性信息可以有效去除Poincare index方法检测出来的伪点,增强算法的抗噪性。由于有效结合了奇异点周围邻域的纹线方向和纹线一致性信息,该算法能够从指纹图像中较为准确、可靠地检测出奇异点。在NIST-4和南京大学活体指纹库上的实验结果验证了该方法的有效性。在从NIST-4中随机抽取的500幅指纹图像上,奇异点的检测准确率为93.05%(core点准确率为96.93%,delta点准确率为86.43%)。基于多分辨率思想的奇异点提取:指纹图像从奇异点区域向外纹线曲率越来越小,因此指纹图像是一种具有多分辨率特性的纹理图像。基于此,本文提出了一种基于多分辨率思想的指纹奇异点提取算法。首先,对一幅指纹图像进行分块,在同一分块尺寸下进行多次图像分块平移,并分别在不同的分块位置下利用本文改进的Poincare index方法检测指纹的奇异点,得到集中的奇异点位置的集合。计算奇异点位置集合的质心,精确定位奇异点的位置。然后,再在不同的分块尺寸下进行奇异点检测,进一步判断上一步所检测到奇异点的可靠性。该算法用不同的分块尺寸、同一分块尺寸下的多次分块平移和改进后的Poincare index相互结合以提取不同分辨率下的指纹奇异点,并根据这些奇异点位置的相互关联特性来实现奇异点的准确定位和可靠性判断。同一分块尺寸下的多次平移充分地挖掘指纹图像中的奇异点信息,减少了对奇异点的漏检想象。不同的分块尺寸则提取了指纹图像中的多分辨率信息。局部信息和全局信息的有效结合增强了算法的抗噪性。在部分典型图像上的实验结果验证了该方法的有效性。