指纹在每个人的一生中都不会更改,这一特点作为人们身份识别的可信手段自从古代就开始应用。随着时代发展,各种信息化场景广泛应用,尤其是目前疫情时期,指纹对于身份认证的重要性不言而喻。但是传统的指纹识别因为需要高质量的指纹以及人工设置特征等因素,在目前大数据的社会当中已显得力不从心。囿于其始终要受到特征因素的限制,本文将其与深度学习相结合,依靠卷积神经网络强大的学习能力来代替人工选择。本文从指纹预处理开始,进行了规格化、方向场计算、频率场估算、图像分割、图像增强、二值化、指纹细化等一系列完整的处理。其中在图像增强方面运用改进的Gabor滤波器,将原本的方形窗口改为圆形窗口,避免了块效应的产生,使图像更加平滑,相对于之前的滤波器有更好的增强效果,为后续的工作提供很大的帮助。在深度学习方面,根据现有的网络模型进行改进,搭建了一个卷积神经网络框架并与主流CNN模型进行比较。论文针对现有的主流深度卷积神经网络CNN在指纹识别应用中识别率低问题,利用改进后的Gabor滤波器与深度学习相结合,构建了一个新的卷积神经网络模型和数据库,以softmax为损失函数并且分批次进行训练,切实有效地提高了指纹识别率;并与传统的指纹识别方法、主流的神经网络模型以及KNN算法相比较,都有不错的优越性。然后,利用扭曲图像的模型,将增强后的图像进行不同程度的变形处理（挤压、扭曲）后再次训练测试,发现经过变形后的指纹识别率更高,证明了该方法可以增强更高的识别率和更好的鲁棒性。最后,假设在犯罪现场中,本文利用紫外荧光技术用胶带采集现实中的指纹,经过同样的处理也得到了不错的识别率。最终证明了,本文的方法具有可行性和较高的识别率。