随着信息技术的飞速发展,指纹识别作为一种具有代表性的生物特征识别技术,已经在各种安全防范领域中得到了广泛的应用.在实际应用中,指纹图像的处理效果会直接影响到指纹识别的精度.在指纹图像处理中,很多操作都是基于指纹方向场进行的.因而方向场计算的准确性对于后继处理的精确度尤为重要.在实际中,采集的指纹图像会受各种噪声干扰,导致了方向场计算有误,故需对方向场的错乱部分进行校正.理论上,这个问题可以归结为图像去噪.传统图像去噪方法可针对特定类型的噪声进行去噪,而指纹方向场的噪声具有不确定性和随机性,使用确定性算法难以有效地解决方向场的校正问题.迄今为止,深度学习在各行各业都展现了强大的学习能力,可以处理各种复杂的问题.因此,本文尝试利用深度学习解决方向场的校正问题.首先,制作训练集.利用已有方法计算出指纹方向场,作为实验原始数据,用经典的指纹方向场数据表示方式0到7来代表指纹的8个方向,从原始数据集中挑选出一部分图像中心区域没有错乱方向块的相对干净数据集,作为标准数据集,然后人工随机扰动这部分数据,制作噪声数据集;其次,构建深度卷积神经网络.将噪声数据和相应的标准数据成对送入网络进行有监督地训练,并利用残差结构的思想,让网络自动学习噪声分布,用原始带噪声的方向场数据减去生成的噪声数据,得到去噪后的方向场数据;最后,对指纹方向场的数据表示通过实验做了分析和改进.经过网络训练测试,发现用0到7表示方向场数据得到的结果中仍存在部分错乱的方向块数据.为了与指纹方向场的周期性保持一致,用二维数据(cos（-πα）/4,sin4^-πα/4)来表示方向场数据.并通过实验,发现能够很好地校正错乱的方向块.在指纹图像宏观特征和细节特征的提取过程中,一般需要对特征赋予一个置信度,以便其后的识别验证,这就需要一个图像质量评价体系.一般情况下,指纹方向场的质量基本上反映了相应指纹图像的质量.从而可将对指纹图像质量的评估转换为对指纹方向场质量的评估.我们构建的评价网络的基本架构是卷积神经网络,用0到7表示方向场,为了强化噪声信息,每次将待评价的方向场数据和对应的经过去噪网络生成的去噪后的方向场数据成对地送入网络,作为网络的初始输入,将两组数据对应做差,得到噪声数据,将噪声数据和待评价数据相加,得到新的网络输入.然后,根据不同的扰动程度对不同质量的指纹方向场打分,分别以0.2,0.4,0.6,0.8作为标签,有监督地训练评价网络.将原始方向场数据送入评价网络,得到其评分.在实际应用中,对质量太差的方向场数据,即使能够构建庞大的网络实现其去噪,在后继方向场图像处理与特征提取中,也无法得到正确的信息.所以评分相对低的数据经过去噪网络也无法有效地校正错误,故可视为"无效数据",而评分较高的数据送入去噪网络,可有效地实现错误校正.评价网络与去噪网络两部分相互作用,可以保证实际应用中经去噪网络去噪后数据的可用性.当去噪网络的去噪能力进一步提高时,对应的"无效数据"的评分就可以适当的降低.这种处理方式对后续指纹图像的处理具有重要的意义.