掌纹识别是利用计算机自动提取并分析掌纹图像的特征来进行身份的识别与认证。识别过程涉及数字图像处理、模式识别、机器视觉和人工智能等学科领域。该项技术在考勤系统、门禁系统以及安检场所等领域具有广阔的应用前景。对掌纹识别技术的研究具有较高的理论意义和应用价值。本文的主要研究工作如下:1.对掌纹图像的预处理进行了研究。掌纹图像的预处理包括几何预处理和灰度预处理,几何预处理的目的在于从采集得到的原始手掌图像中,提取对分类识别有利的掌纹区域,本文提出一种简单易行的方法,能够准确的分割出对掌纹识别有意义的掌纹区域;灰度预处理的目的在于将图像的灰度值进行变换,从而获取更有利于特征提取的图像,本文对比了直方图均衡化法、中值滤波法、均值滤波法和高斯滤波法四种方法,通过对处理结果的分析,选择高斯高通滤波法为掌纹图像灰度预处理的方法;2.对四种典型掌纹特征提取方法进行研究,其中的离散二维傅立叶变换、离散二维余弦变换以及离散二维小波变换是针对掌纹图像的频域特征进行提取和比对的,局部二进制模式则利用了图像的空域特征。这些变换得到的掌纹图像特征数据量太大,而且过于细致,于是在上述方法的基础上,进一步计算其能量特征,这样既降低了特征的维数,又保留了掌纹的内在特征。实验测得识别率最高的为小波变换,识别率可达到98.6%;3.为了突破对单一特征所蕴含信息的局限性,本文重点研究了通过特征融合进行掌纹识别的方法。特征融合过程主要包括三步:特征选择、加权处理以及降维处理。特征选择的作用在于将对分类影响较小甚至产生相反影响的特征值去掉,保留利于分类的特征;加权处理则通过对不同特征赋予不同的权值,达到对重要特征的强调和对非重要特征的弱化或忽略,最终达到提高识别率的目的;降维处理通过对特征数据的压缩,实现特征维数的降低,同时也可以保持较高的识别率。论文选用识别率最高的小波变换和提升的局部二进制模式两种算法进行上述融合实验,最终得到了99.8%的识别率。本文研究了掌纹图像的特征提取方法,在此基础上研究了图像的多个特征的融合的方法。通过特征融合克服了单一特征的局限性,有效的提高了识别率,实验结果表明了本文所提出方法的有效性。