由于人的生理特征具有便于携带、不丢失、不易仿制、复杂度高等特点,生物特征识别技术已成为信息社会身份认证的主要手段之一,指纹识别技术更是使用最早和最为广泛的生物特征识别技术。利用计算机的高速运算能力并使用各种模式识别技术、数字图像处理技术、计算机视觉技术、形态学技术、小波分析技术和机器学习等进行自动指纹识别的智能系统,即称为自动指纹识别系统。在自动指纹识别系统中,指纹图像的分割是非常重要的一个环节。近年来,在指纹识别技术领域,采集设备互操作性问题得到了很多关注。目前大多数自动指纹识别系统都是针对某一特定指纹采集设备设计的,当该系统处理来自不同类型采集设备的图像数据时,由于这些设备采集的指纹图像通常具有不同的图像质量、分辨率和灰度等级,导致该系统在进行分割、增强、匹配等处理时在性能上出现不同程度的下降.一个好的指纹图像分割方法,应该能够在不做修改、不做参数配置的前提下适应不同采集设备获得的指纹图像、可靠地实现分割,即具备采集设备互操作性性。本文首先提出了指纹图像分割中存在的设备互操作性问题。为了更好的说明这个问题对指纹图像分割算法的影响,设计了两组指纹图像分割实验。并通过分析揭示目前指纹图像分割方法存在的设备互操作性问题以及研究设备互操作性分割方法的必要性。然后提出了两种基于设备互操作性的指纹图像分割方法：第一种方法是基于K-means的指纹图像分割方法,该方法选取基于块的方向一致性、灰度均值、灰度方差三个特征,运用K-means聚类方法进行块的聚类,区分出前景块与背景块,并通过形态学进行后处理,最终实现指纹图像分割。第二种方法是一种基于LNP的指纹图像分割方法：该方法先将指纹图像分块,提取每块的方向一致性、像素聚集度与灰度方差作为特征指标,然后利用半监督学习算法-LNP算法将各块分为前景区与背景区,最后通过基于形态学的后处理实现最终分割。通过在多个指纹图像数据库上的实验结果表明,本论文提出的两个指纹图像分割方法不仅分割性能良好,能够对指纹图像进行精确分割,而且具备了一定的采集设备互操作性,比较适合使用多类型指纹采集设备的互联网应用环境。本论文的重点就指纹图像分割中面临的采集设备互操作性问题开展研究,通过本选题研究成果与现有解决该问题方法的有机结合,对于推动指纹识别采集设备互操作性问题的进一步解决,具有积极的科学意义；对于指纹识别技术的网络应用,具有较大的推动作用；对其他生物特征识别算法中类似问题的解决,具有重要的参考价值。