在生物识别系统领域，自动指纹识别系统（AFIS）在现在已经被广泛接受和应用，虽然指纹识别系统的应用已经非常的成熟，人们也已经非常了解识别系统的各个阶段步骤，但是随着社会问题的不断发现和科学技术的不断发展，指纹识别领域也急需更深的研究，以解决不断出现的指纹识别应用中的问题。自动指纹识别系统在通常情况下可分为四个处理步骤[1]：第一步，指纹图像的采集；第二步，指纹图像预处理；第三步，特征提取和第四步，指纹匹配。为了减少不必要的冗余计算，指纹分割需要在指纹图像预处理的最前面进行。本文将针对指纹图像的分割技术以及算法做更加深入的研究并对每个分割算法做出仿真实验。指纹图像分割过程是指纹图像预处理阶段甚至整个自动指纹识别系统的重要组成部分，精确的将指纹前景区域和指纹背景区域分割开，可以大大的减少后续处理计算量和后续处理的时间，同时也能提高指纹识别的正确率，从而就显著的提高了自动指纹识别系统的处理速度和质量。本文的主要研究内容如下：1.首先，本文提出了一类基于CMVF特征的指纹图像分割算法。由于经典算法的单一特征或者简单融合都难以将低质量的指纹图像进行有效的分割，因此本文提出了基于CMVF的指纹分割算法。该算法采用了指纹的方向一致性、灰度均值、灰度方差这三个经典特征外，还采用了指纹的频率特征（Frequency）。该算法的四个特征分别代表了图像的灰度特性（灰度均值和灰度方差）、指纹的方向性（方向一致性），以及本文提出的代表了指纹纹理信息的新的特征即纹线频率信息，集合了图像的灰度、方向、纹理于一体。指纹纹线频率计算的是指纹纹线相邻波峰与波谷之间的距离，因为对比度的高低和噪声对指纹的纹线频率没有影响，因此该分割算法对对比度低的、有大量噪声的指纹图像也有较好的分割效果，巧妙的避免了灰度均值和灰度方差对于低质量指纹图像的缺陷。经过实验发现，增加了这一特征，最终的分割结果得到了大大的改善。2.除此之外，本文又提出了基于Adaboost的指纹图像分割算法。Adaboost多用于人脸识别系统和图像检索领域中。指纹分割的本质为一个两类分类的问题，而Adaboost分类器对于分类有较好的效果。该算法在指纹分割时，基于分级处理的思想，将指纹图像分割进行了三次分割处理。首先利用了最大类间方差（Otsu）以分块后的指纹图像灰度方差为特征计算了分割阈值，通过阈值对图像进行初分割。由于Otsu照顾到了不同图像的灰度有可能不同，因此使用Otsu进行求取分割阈值改善了以往以经验值进行指纹分割的效果。第二步分割处理采用的是Adaboost分类器将初分割的结果做进一步的处理。为了提高精确度，最后使用形态学的方法再做进一步的处理。本文的方法训练出的Adaboost强分类器，能够适用于不同的传感器采集的指纹图像，而且指纹图像平均错误分割率较低。3.最后本文在Matlab R2008环境中进行了仿真实验，分别比较了基于CMVF特征的指纹图像分割算法、基于Adaboost分类器结合CMV特征以及基于Adaboost分类器结合CMVF特征分割算法的实验结果。数据显示，采用CMVF特征进行分割的效果要比仅仅使用CMV特征要精确很多。因此可以得出，对指纹图像描述越详细的特征越有利于指纹图像的分割，但是在添加特征时，一定要注意防止特征的冗余，避免过大的增加算法的时间复杂度。