掌纹识别和鉴别是新兴的生物特征识别技术,掌纹相对于其他生物特征有着其独特的优势.掌纹识别的实现一般采用统计模式识别方法,其过程大致分为:图像采集、预处理、特征提取和选择、分类决策四个部分.准确提取掌纹图像特征纹线是掌纹图像识别的关键,在对掌纹图像进行匹配之前要对采集到的掌纹图像进行预处理,去除噪声,提取细节特征.掌纹图像的面积大,线条多,使得数据量大,而且其中各种纹线相互交错,有着不同的方向,长度和宽度,凹凸对比度低,容易受噪声影响,且掌纹是一种纹理图像,有其自身的纹理周期,其细节信息正是特征识别的基础.低通滤波方法虽能够去除掌纹图像部分噪声,但是产生了掌纹图像脊线和谷线间对比度下降的问题.偏微分方程(PDE)方法是图像去噪中的一种主要方法,其高质量的处理结果已引起了人们广泛的关注.基于偏微分方程的去噪方法能通过扩散系数的作用,使模型自动地在图像的光滑处有较大的扩散作用,而在图像的边缘处有较小的扩散作用,并尽量保证在图像的边缘处沿边缘方向进行扩散,因此能较好的解决边缘保留与去噪的矛盾.Perona和Malik在1990年提出了基于热传导方程的非线性异向扩散模型,奠定了PDE模型用于图像处理的理论基础,开辟了一个图像处理应用研究的新领域.许多学者对P&M模型进行了改进,试图建立起更有效的保边缘平滑滤波器,并取得了一些进展.本文主要研究了基于偏微分方程模型(P&M模型)的掌纹图像的去噪与增强,并根据掌纹图像特点及掌纹识别后续工作对图像质量的要求,提出了一个新的扩散系数函数对P&M模型进行改进,在扩散系数函数中我们引进二阶导数,由梯度信息与二阶导数共同决定扩散速度.该改进的模型扩散特性,更适合掌纹图像的处理,在增强图像和保持掌纹图像纹路信息方面表现更优.理论和实验结果表明,这种改进的P&M模型的确能够保留P&M模型在图像的光滑区域去噪的优点,增强图像边缘,保留图像细节信息,并且较好的保留了图像中奇异点的信息,可获得较为理想的预处理图像.该模型处理图像时符合图像处理的两个方面的要求:一是消除噪声,二是增强(或保护)图像的细节特征.本文也是首次将偏微分方程方法应用在掌纹图像预处理中.