由于指纹具有唯一性、稳定性和使用方便性,指纹识别已经成为主流的生物特征识别手段,在许多领域得到了广泛的应用。指纹识别包括预处理、特征提取和匹配等过程。指纹图像分割是预处理中的一个重要的步骤,其目的是将指纹的前景区域从背景区域中分离出来。有效的分割不仅可以提高特征点提取的准确性,还可以降低后续步骤的处理时间。指纹图像采集设备种类繁多,来自不同采集设备的指纹图像在灰度等级、分辨率、图像质量和图像大小方面存在差异。大多数指纹分割算法针对一款采集设备设计,当处理来自不同采集设备的图像时,分割性能显著下降。原因主要包括两方面：一是来自多种采集设备的图像在不同特征空间上的分布不同,选用的分割特征不能较好地区分前景与背景；二是分割模型在某一采集设备采集的指纹库上训练,不适用于其他设备采集的图像。指纹分割算法不能适应多类型采集设备的应用要求,不仅降低了指纹识别系统的性能,而且不利于指纹识别算法在网络环境下的应用。针对上述问题,本文进行了深入研究,内容包括：(1)利用采集设备差异性的指纹分割研究。通过研究来自不同采集设备的指纹图像和分割特征之间的关系,提出了指纹分割中的自适应特征选择问题。并且基于机器学习领域的决策树算法,提出一种自适应特征选择方法,为来自不同采集设备的指纹图像找到合适的分割特征。该问题的提出与解决不仅增强了分割算法对不同类型采集设备的适应能力,改善了分割性能,而且节约了特征提取时间和图像分割时间。(2)屏蔽采集设备差异性的指纹分割研究。通过分析指纹分割特征的设备互操作性问题,提出一种两级特征评估方法,包括基于分割错误率的第一级评估和基于决策树的第二级评估,从而选择出对来自不同采集设备的指纹图像具有较好适应能力的特征,增强了分割算法的设备互操作性。(3)基于单幅图像的指纹分割问题研究。该选题改进了自动标记的线性邻域传播分割方法,提出一种更加完善的自动标记机制,为线性邻域传播算法提供了准确可靠的监督样本,有利于得到更加精确和鲁棒的分割模型。下一步的工作包括两方面的内容,第一,定义对指纹前景区域和背景区域具有较好区分能力的特征,为特征选择和评估方法提供更加充分的候选特征集；第二,将对特征层面的研究和对方法层面的研究结合起来,寻求具有自动特征评估选择功能的指纹分割方法。