在当今的网络化信息社会中,许多场合要对人的真实身份进行有效的识别,生物识别技术是解决此问题的最为重要和可靠的方法之一。生物识别技术就是通过对人体的行为特征或生理特征,利用图像处理,结合模式识别等方法对人体进行鉴别的技术。生物识别技术以人的生理特征为基础,以信息技术为手段,具有安全,可靠,易用性等特点,它越来越受到研究者的广泛关注,已成为模式识别领域中一个新的热点。掌纹识别技术是一种新生的生物识别技术。它与指纹、人脸、虹膜等生物特征相比,掌纹具有其独特的生物特征,比如,手掌内部具有丰富,稳定的纹理特征；用于掌纹识别的图像是在低分辨率条件下采集,并且采集的成本低廉；感兴趣区域(ROI)容易定位和提取。更重要的是许多研究表明,用掌纹作为生物特征识别精度是非常的高。所以我们对掌纹识别技术的研究具有非常重要的意义。掌纹识别技术的理论,技术应用都处于发展阶段,有待于我们进一步的提高和完善。在此条件下,本文主要从掌纹图像的预处理,特征提取,特征识别方面对其进行了研究,现把我主要的研究工作和创新点概括如下：(1)针对感兴趣区域(ROI)提取的质量对识别率指标的影响,本文采用了椭圆拟合定位分割的方法来提取掌纹的感兴趣(ROI)。该方法首先使用阈值分离出带有背景的手掌最突出的位置,使用距离变换来确定手掌的中心位置,然后以此位置为圆心,拟合出一个最优椭圆把手掌区域包围,按照椭圆长轴方向对手掌进行校正,并以这个中心为圆心,以5个像素点作为距离相互递增,利用相关算法进行角度调整,最后分割出感兴趣区域(ROI)。该方法能够快速、准确、高效的提取出信息量丰富,并易于处理的掌纹图像。(2)为了提高掌纹识别的速度和准确度,克服基于统计特征掌纹识别方法在方向与掌纹线的特征表示方面的局限,提出了一种基于Contourlet变换与SVM的掌纹识别算法,该算法首先对掌纹图像基于积分光密度,矩与中心二阶矩进行光照、位置与方向的归一化,提取其Contourlet变换高频子带的一阶统计特征形成新的特征,然后用支持向量机完成掌纹的分类与识别,实验结果表明,该算法与傅里叶变换算法,小波变换算法,Hu不变矩算法相比有较高的效率和匹配精度。(3)为了在较低的计算成本下实现较高的识别精度,本文利用移动和灰度尺度不变描述图像,提出了一种新的掌纹识别特征提取框架。首先,通过移动复杂方向滤波(CDFB)变换分解图像,它提供一个能量移动和尺度多分辨率,任意方向分辨率,低冗余率和高效的可实现性的二维分解。此外,统一的局部二进制模式(LBP)操作CDFB分解的子带系数,是灰度尺度不变和包含信息关于局部微观模式的分布。由此产生的LBP映射被划分成多个子块,而统计直方图能够独立实现。最后,一个线性辨别(FLD)分类被用在掌纹识别统计直方图特征空间。实验使用的是香港理工大学的掌纹数据库共7752幅图像。为了验证我们提出的性能,与其它几个多分辨率和多方向转换包括Gabor滤波,双树复小波及Contourlet变换进行了实验对比。实验结果表明,CDFB平衡了识别的准确性,存储要求与计算复杂度。