近年来,生物特征识别技术受到了人们的普遍关注。与传统的基于物品的(例如身份证)或基于记忆的(例如密码)身份验证方式不同,生物特征是随身携带、不会丢失、不会被遗忘、不容易被猜测和伪造。其中,自动指纹识别技术是发展最早、最成熟的一种生物特征识别技术,在刑侦、司法、门禁以及其他很多领域都得到了成功的应用。尽管指纹识别技术的研究已经取得了很多成就,但目前自动指纹识别系统的识别率仍然无法满足某些具有较高要求的应用,成为制约自动指纹识别技术进一步推广的最主要的因素。目前,许多研究机构致力于如何提高自动指纹识别系统的识别率,其中包括利用视频进行指纹识别,充分挖掘指纹视频中包含的更为丰富的信息,以此来提高指纹识别系统的识别率。使用视频进行指纹识别有以下几个优点：(1)从视频中可以挖掘出更多有用的信息以提高指纹识别的识别率；(2)采集指纹视频时的用户体验和采集单幅指纹图像时是完全相同的；(3)留在物体表面的残留的用户指纹可能会被非法窃取,然而指纹视频中包含的动态信息却很难被窃取。本文研究了基于视频的指纹识别,分析了使用公式S=SO+w·(SO-SI)计算两个视频最终匹配分数的不足之处,为寻求更好的识别效果,提出把一次匹配结果作为一个样本,将SI和sO作为一个样本的两个特征的新思路,把判断一次匹配是同源匹配还是异源匹配问题转化为对具有二维特征(SI,SO)的样本进行分类的问题。在样本集上应用常见的机器学习算法(KNN,决策树,SVM),对每次的匹配结果进行分类。实验结果表明,相比使用阈值来区分指纹同、异源的方法,应用机器学习算法不仅提高了识别率,而且省去了对参数和阈值的复杂选取过程。实验中异源样本集的分布相对集中,而同源样本集中存在一些离群点嵌入到了异源样本的内部,使得两类样本间存在一定数量的交叠点,而这些交叠点的存在使得分类器的性能大幅度下降,对我们使用机器学习方法分类两类样本的效果产生了很大影响。为了解决这一问题,改善分类器的性能,进一步提高视频指纹的识别率,把两类样本中的交叠点看做指纹视频中的“异常点”,对这些交叠点处理后重新获得分界面。通过分析同源样本中的这些“异常点”的特点,应用了两种异常点检测方法对训练样本集进行处理。一种方法是去除同源样本中SO值小于某阈值的样本点,另一种方法是去除同源样本中密度较小的样本点。实验结果表明了方法的有效性。