早在公元前221-206年，中国（秦朝）就已经开始使用指纹来侦查犯罪。1684年英国学者首次对指纹脊谷线、毛孔结构进行系统的研究，标志现代指纹研究的开始。1892年FrancisGalton发表《Fingerprints》，阐述了他从19世纪80年代以来在指纹识别方面的研究成果，并计算得出两个来自不同手指的指纹相似的概率是640亿分之一，奠定了指纹唯一性和不变性的理论基础。从20世纪初起，指纹识别被一些西方国家正式纳入合法的身份鉴别方法，并成为法律依据。世界各国也纷纷建立指纹识别机构和犯罪指纹数据库。
上世纪60年代起，美国、英国和法国等已经开始了自动指纹识别系统（AutomaticFingerprintIdentificationSystem,AFIS）的研究，利用现代计算机技术来实现指纹自动识别，从而节省人力、提高效率。目前自动指纹识别系统已经广泛应用于人们生活的各个领域，如设备解锁、门禁、安检、犯罪侦查等。
自动指纹识别系统的主要步骤有，指纹采集，指纹图像质量评估，指纹图像分割，方向场计算，频率计算，奇异点检测，指纹图像增强，二值化，细化，细节点提取，指纹分类/检索，指纹匹配。
指纹采集：利用指纹采集设备获取指纹的数字图像，以供计算机进行后续处理。采集设备可分为光学传感器、热敏式传感器及生物射频传感器等。
指纹图像质量评估：由于手指表面和采集设备的原因，部分采集到的指纹图像质量很差，导致无法正确完成后续步骤，降低了自动指纹识别系统的性能。本模块对采集到的指纹图像进行初步质量估计，对于评估不合格的指纹图像可以选择拒绝后续处理或者给予较低的信任度。
指纹图像分割：指纹图像分割是利用特征将指纹图像前景（指纹区域）与背景（非指纹区域）分离开，使得后续步骤集中于前景区域，从而提高识别准确率，降低处理时间。方向场计算：指纹方向场描述了指纹纹路的方向信息，是指纹的重要特征。方向场计算即计算指纹图像中每个点处的纹路切线方向。常用方法可分为梯度法，基于滤波的方法，基于模型的方法等。指纹方向场计算的准确度对后续指纹图像增强效果有较大影响。频率计算：指纹脊线频率为单位像素指纹脊线条数，是指纹的重要特征，对指纹图像增强有重要作用。在垂直于脊线方向上，指纹纹线呈二维正弦波状。常见频率计算方法有空域下检测峰值间距，频域下检测局部峰值位置等。
奇异点检测：奇异点为指纹图像中纹线方向不连续的点，一般分为两类：core点和delta点。奇异点在指纹分类、指纹匹配中具有重要作用。通常根据方向场变化来确定奇异点位置。指纹图像增强：指纹采集设备采集指纹图像时，由于手指的干、湿、脏、茧、伤口等因素，以及采集设备自身原因，或多或少会产生噪声。细节点提取和匹配的准确度严重依赖于指纹图像质量。指纹增强的主要目的是，去除噪声，使脊谷线结构更清晰。常用的指纹图像增强方法主要分为两类，空域指纹图像增强和频域指纹图像增强。
二值化：二值化是通过设置阈值，将灰度指纹图像转化成二值图像的过程。二值化图像
5中，脊线灰度值为0，谷线灰度值为255。二值化可以方便指纹细节点的提取。指纹图像二值化方法可分为全局阈值二值化和局部阈值二值化方法。
细化：二值化指纹图像中脊线仍具有一定宽度，不利于细节点提取。指纹细化是将脊线细化成一个像素点宽度的纹线。常用的细化算法可分为串行细化算法和并行细化算法。细节点提取：指纹细节点可分为端点，分叉点，交叉点和待定点。其中端点和分叉点使用最广泛。细节点提取方法按图像种类可分为基于灰度图像[14]、基于二值化图像[15]和基于细化图像的提取方法。
指纹分类/检索：对于大型指纹库（百万数量级以上），一次检索时间较长，使用指纹分类可以缩小搜索空间，提高效率。目前最常用的分类为Henry提出的6分类方案：拱形、尖拱形、左环形、右环形、漩涡形、双环形。
指纹匹配：指纹匹配即根据特征判断两幅指纹图像是否来源于同一手指。目前已有的匹配算法可分为：基于相关性的匹配；基于细节点的匹配[18]；基于脊线特征的匹配。
