随着社会的进步和信息技术的发展,人们对信息安全的要求越来越高,传统的口令、密码已经无法满足人们对身份安全认证的需求。在此情况下,生物特征识别技术以其方便易用,高度可靠的特点为人们所重视和广泛研究。其中掌纹识别技术由于具有诸多优点,成为一种备受瞩目的生物特征识别技术,被广泛关注和探讨,具有广阔的市场前景。众多学者在掌纹识别方面做了很多研究,提出了很多掌纹识别的算法。但是掌纹识别中依然存在许多问题。其中很重要的一个问题就是,使用单一特征对掌纹进行识别存在识别率受限,鲁棒性差等缺点。为了克服单一特征识别的缺陷,特征融合的方法被引入到掌纹识别领域中。而各级融合方式中,特征级融合既克服了原始数据数量大,不稳定的特点,又最大限度保留了原始信息,最有可能带来最佳识别效果,因而为近年来研究的热点。特征级融合主要指特征向量的融合,因此本文主要讨论掌纹特征级融合中有关特征向量的两个问题：(1)随着待识别的类别数的增加,在特征向量的维数不变的情况下,识别效果会逐渐下降,而且增加特征向量的维度也并不能一直带来识别率的上升。这是因为特征提取过程中,会引入对分类不利的“弱分量”(弱分量即指特征向量中区分不同类别的能力较弱的分量)。为了解决这个问题,本文提出了一种以K-L距离测度为评价函数的特征选择框架,通过去除弱分量来提高识别性能。实验证明,经过特征选择,特征向量的识别性能得到了改善,维度也得到了降低。另外在特征选择中需要解决的一个关键问题就是随机变量的概率密度估计。由于每次需要估计的随机变量很多,彼此数值差异较大,不能由统计学中常用的分布模型来进行描述,本文提出了一种基于组成论的概率密度方法,根据数据本身的特征来的到概率密度的模型和参数,能够较好的适应要求。实验证明了这种概率密度估计方法的可行性。(2)特征级融合中的另一个问题就是特征向量之间的相关性问题。融合的特征向量彼此之间相关性越小,则越能带来识别性能的提升,否则其互补性信息就少,达不到特征融合的目的。为此文中利用Spearman等级相关系数对特征向量之间的相关性进行了度量,并通过实验研究了这种相关性的强弱与最终识别效果之间的关系。实验中分别采用了不同的特征融合方案,每个方案中特征向量之间的相关性存在较大差异。实验表明,相关性小的特征在融合时能够带来更高的识别率,并且之前讨论的特征选择框架在待融合特征向量上应用后,对识别率的提升也会有积极作用。