指纹识别技术是人体生物识别技术的重要内容之一，已在众多领域得到程度不同的应用。但就提高指纹识别的准确度及识别速度而言，进行指纹识别算法的研究无论在理论上还是在应用上都具有十分重要的意义。图像增强、特征提取、分类决策是指纹自动分类系统中最为关键的三个步骤。本文从这三方面出发，研究并实现了基于小波变换和特征提取的指纹分类系统。在预处理阶段，采用数学形态学的分割方法对图像进行有效的分割，将指纹图像从背景中提取出来，达到削减数据和噪声的双重目的；并利用图像频域变换特征，应用Gabor滤波增强的方法提高了图像质量。在特征提取阶段，对指纹图像作四层小波变换，对各层各个方向的小波系数矩阵求取标准差并将其作为特征。为了体现局部细节，将指纹图像的中心区域分成4块分别作小波变换，这样一幅指纹图像就会得到一个长为48的特征向量。随后的指纹图像的识别即是对代表指纹图像的特征向量进行识别。在分类识别阶段，采用两种分类器knn和SVM分别进行有监督的分类识别，实验表明这种基于小波变换的指纹识别算法具有较强的识别率。为了进一步提高识别效率，需要在时间和空间上进行优化改进。为此对提取出的小波特征向量作进一步的特征选择和提取，即采用SFS算法对48维特征进行选择，去掉一些对分类贡献不大的特征分量；采用KL算法将48维特征投影到低维空间进行降维，由此研究了一种基于MKL变换的分类方法和一种低维空间的分类方法，实验表明后者具有更高的识别率。将上述特征选择和特征提取这两种降维策略结合在一起，通过实验验证先除去第一层小波分解系数，然后对余下的特征作特征提取的KL变换降维至15维，所获得的识别效率和识别率都能达到较优水平，是行之有效的。论文的最后对经典分类算法knn的一些缺陷进行了分析，提出了基于特征选择的加权欧式距离计算方法，并将样本相似度和样本间加权欧式距离相结合对knn算法加以改进。实验结果表明改进knn算法具有更高更稳定的识别率。