生物特征识别技术是利用人本身所具有的生理特征（如指纹、掌纹、人脸等）和行为特征（如签名、声音等）来进行身份识别的技术。生物特征识别技术克服了传统身份识别技术的缺点，且具有传统身份识别技术所没有的优势。指纹识别是生物特征识别中出现最早，应用最为广泛而且技术最为成熟的一种身份识别技术。指纹识别技术一直以来是生物识别技术中的研究热点，但人们更多的是将研究精力投入到指纹图像预处理、指纹图像增强、指纹特征信息提取、指纹匹配和指纹分类等指纹识别关键技术的研究上，对指纹图像质量评测方法的研究涉及较少。 在实际应用中，指纹采集时，手指可能是干的、湿的甚至是脏的，使所采集的指纹图像产生断纹、粘连或模糊；另外，所采集的图像存在残留和背景噪声问题，等。这些因素致使指纹图像质量变差，质量差的指纹图像会产生伪特征点和丢失真特征点，从而导致系统性能下降。所以在自动指纹识别系统中，对指纹图像质量做出评测成为一个非常关键的环节，是非常有意义和有必要的。 本文以指纹图像为研究对象，进行了指纹图像质量评测方法的研究。主要内容有： 1.指纹图像质量的定义，质量评测方法的国内外研究现状及研究意义的介绍。 2.指纹识别系统工作原理与组成的概述，介绍了一种新的具有质量评测功能的指纹识别系统，其能对系统前端采集到的指纹图像的质量进行控制。 3.提出了一种多指标融合的指纹图像质量评测方法，本方法综合考虑了指纹图像的局部特征和全局特征，从空域和频域上提取了6个经典的质量评测参数，采用线性加权求和的数学模型来计算指纹图像的质量得分。此方法将分级排除和综合评测结合起来，能准确客观地评测指纹图像的质量。我们在FVC2004标准指纹库中进行了验证，实验表明本方法在评测指纹图像质量方面有较好的效果，评测结果与专家的视觉评测结果接近，对于排除低质量指纹图像效果尤其好。 4.将机器学习的思想引入到指纹图像质量评测中来，提出了基于支持向量机（SupportVectorMachine，缩写为SVM）的指纹图像质量评测方法。目前的指纹图像质量评测主要是多指标的线性加权和非线性融合两种方法，在确定各个指标的质量得分时，它们需要使用到许多单一指标阈值，这些阈值的选取现在暂时没有一定的算法和标准来确定，只能靠大量的实验和人为的经验来设定。所以，为了避免目前指纹图像质量评测方法中使用经验阈值来评测单个指标质量所带来的人为偏差，我们确定了使用SVM分类器对指纹图像进行分类的方法。我们在自建指纹库和NIST14指纹库中进行了测试，实验证明将支持向量机（SVM）引入到指纹图像质量评测中来是可行的。