随着当前社会的信息化、数字化、网络化急速发展,传统的口令、密码已经无法满足人们对安全认证的需求。应运而生的生物特征识别技术已经成为身份认证的发展趋势。单一的生物识别技术不是因为其识别精度不高,就是因为其自身难以克服的缺点,难以达到实用化的地步。目前多生物特征融合技术正成为生物识别技术的热点,其中包括了多传感器上的信息融合,多算法的信息融合,多模态的信息融合等。而按照国际上信息融合层次的划分,包括了数据级,特征级,分数级和决策级上的融合。本文也正是在国家自然科学基金项目“特征级信息融合理论及其应用研究”背景下完成的。本文从特征级信息融合的思路出发,在子空间分析的框架下采用多算法和多模态的信息融合技术对生物特征进行融合,以达到更高的身份识别率和更低的认证错误率,包括错误接受率(FAR),错误拒绝率(FRR)等。本文的主要工作如下:1.通过线性主成分分析(PCA)和基于核的主成分分析(KPCA)抽取特征的自融合算法,用在掌纹识别上得到了较单一特征高的识别率。PCA和KPCA分别抽取的是线性特征和非线性特征,基于融合特征总类间距离最大准则,计算出其最佳的融合系数,使得融合特征的可分性最大。2.对类内散度矩阵的双子空间(零空间和秩空间)进行了研究分析,并给出了融合双子空间鉴别信息的算法。线性判决分析(LDA)是子空间分析中的经典算法,不过由于小样本问题导致其类内散度矩阵的奇异,传统的解决方法比如Fisherpalm是舍弃了存在于类内散度矩阵零空间中的鉴别向量,而另外一些方法比如共同鉴别矢量(DCV)仅仅使用了零空问中的鉴别向量。由于这些方法都没有完全利用类内散度矩阵中的鉴别信息。所以本文采用双空间信息融合的算法,得到了比DCV,Fisherpalm方法高的识别率。3.在基于关系度量框架下,提出了通过基于核的Fisher判决分析(KFDA),融合了人脸和掌纹特征。通过实验结果分析,得到了比单一模态要高的识别率,要低的认证错误率。