生物识别技术是借助人体自身的生物特性来进行个体识别的技术。相对于人脸、虹膜等生物识别,自动指纹识别是一种更实用、更理想的身份识别技术。指纹惟一性和稳定性被人们用来当作鉴别个人身份的主要依据。自动指纹识别系统是基于计算机的指纹识别技术,可以方便、高效、安全、可靠地应用在金融安全、数据加密、电子商务等领域,在我们的生产和生活中发挥着日益重要的作用。支持向量机属于模式识别领域经典分类器之一。一般地,一个完整的模式分类系统由以下四个主要步骤组成：1)样本的采集和预处理；2)样本数据化后进行特征处理；3)对特征处理之后的样本进行分类；4)根据分类结果作出决策。在模式分类系统中最核心的部分就是分类,分类的重点在于对分类模型的设计,即分类器设计。设计分类器的目的是让计算机通过训练数据进行自主学习获取一组最优配置参数,再将输入的测试数据判定划分到已知类别。常见的分类器包括：最近邻分类器,贝叶斯(Bayes)分类器,神经网络分类器,决策树和支持向量机(Support Vector Machines, SVMs)。本文主要对支持向量机在指纹识别技术上的可行性及拓展性进行理论探讨和实验论证。本文的主要工作包括：(1)研究不同核函数参数对支持向量机算法精度和效率的影响；(2)研究在同样参数配置下,压缩前后数据集对支持向量机算法精度和效率的影响；(3)实现经典的K-近邻分类器,并与支持向量机进行对比和讨论；(4)通过Matlab软件模拟实现基于支持向量机的指纹识别系统。本文对一个实际指纹考勤系统进行了识别实验。实验结果表明,本文提出的支持向量机指纹识别方法具有速度快,识别率较高等特点,有一定的实用价值。