随着社会信息化建设的迅猛发展，信息安全保障的实际需求也日益增强。在网络安全、金融、安防、医疗以及电子商务等诸多应用领域都有着身份认证的强烈需要。与此相关的生物特征识别技术日益受到人们的重视。这种技术根据人体自身的特征如人脸、指纹、视网膜、DNA、声音等来识别个人的身份。其中，指纹识别技术更以其独有的优越性成为生物特征识别技术的研究热点之一。 本文的主要研究内容正是指纹识别系统中的两个关键技术：指纹分类和指纹匹配。指纹分类算法将输入指纹归入到预先规定好的若干大类中。其主要目的是方便大容量指纹库的管理，并减小搜索空间，加速指纹识别过程。我们首先研究和实现了目前较为常用的基于方向场计算的指纹分类算法，并结合实际指纹给出了实验及其分析。随后，提出了两种新的分类算法：K—均值聚类算法和协同指纹分类算法。其中，协同指纹分类算法是我们讨论的重点。它所使用的运算模型是协同神经网络(Synergetic Neural Network)运算单元。针对指纹分类的具体问题，我们以聚类法重构网络原型向量，形成五类别序参量参与网络竞争。与传统特征提取过程不同，伴随向量提取了指纹像素域的统计特征，在指纹库中形成整体检索，有效提高了分类效率，降低了特征提取的难度。在此基础上提出协同指纹匹配算法，将协同的方法从粗糙级的分类引入到具体指纹的识别中去。对多种情况的输入样本的实验证明我们的算法是可行和有效的。 论文还对协同特征提取属性进行了深入讨论，指出伴随向量就是原型向量的显著特征，同时包含了图像独有特征和群体的相对特征。在经典Haken网络的基础上，提出了基于等级结构的协同指纹识别系统框架。在实验中，我们提出了序参量选择机制，以序参量量值来预警识别错误，最后用假设检验的方法对协同指纹识别系统进行了性能评估。