紧随人工智能的发展,接触式指、掌纹生物特征个体识别无论是在科研领域还是在商业应用都形成了一定的规模。但随着人类社会的发展和不断迭代的挑战（如卫生安全等问题）,非接触式指、掌纹特征识别对于传统接触式指、掌纹识别技术而言更为新颖,在某些领域更具优势。此外单一模态的指纹或掌纹识别研究,无论是在处理样本非线性形变,还是防伪识别,乃至最终的识别精度等方面的性能都不及多模态融合识别。基于以上,笔者开展了该项研究。文章大体工作内容和贡献如下:1)在非接触式指纹识别方面,提出了一种基于脊线结构的脊线和特征点优化（Ridge and Minutiae Optimization,RMO）算法。该算法在对伪脊线修复的基础上剔除伪特征点。其次,由于非接触式指纹识别缺乏适应性强且高效的特征提取和匹配算法。还提出了基底圆结构（Base Circle Structure,BCS）模型和一套激励与惩罚机制（Incentive＆Punishment Machenism,IPM）匹配算法。BCS模型通过特征点及其邻域构建基底圆结构并用于提取指纹感兴趣区域（Region of Interest,ROI）特征点的特征向量。而IPM通过二次利用特征点信息对预匹配得分进行补偿并得到最终匹配结果。在基于一个自建的非接触式指纹数据集的实验中,文章进行了同类方法对比实验以及结果讨论。在实验数据的论证下,证明了本文提出的RMO算法对指纹特征提取的有效性以及IPM与BCS模型的结合能够大幅提升指纹识别准确率。其中在识别算法对比实验中,本方案得到等错误率（Equal Error Rate,EER）等于0的结果,显著优于近年优秀的同类方法。2)在非接触式指纹识别方面,首先在非接触掌纹样本预处理环节提出了一套高适应性的非接触掌纹ROI分割（ROI Segmentation of Contactless-palmprint,RSC）算法。该算法基于一定的先验知识,通过关键点定位和比例分割的传统方式对掌纹ROI进行提取。其次,为了提升非接触掌纹识别率和规避传统经典识别算法带来的时延长的问题,通过对掌纹特征的研究,在掌纹特征点查找和描述阶段,提出了一种基于局部特征描述的特征点查找和描述的方法--高效非接触掌纹特征（Effective Contactless-palmprint Feature,ECF）。该方法包括一个轻量级掌纹特征点查找算法和两种分别基于特征点邻域强度差和邻域梯度的掌纹特征描述方法。在基于一个自建的非接触式掌纹数据集的实验中,文章进行了同类方法对比实验并对结果进行了讨论和分析。其中基于RSC算法的非接触掌纹ROI提取有效面积占比达到了96.58%。同时,在与经典目标识别算法和近年优秀的同类算法对比实验中,基于ECF算法的非接触掌纹识别EER=0.35%,整体性能优于所列对比方法。3)在非接触式指、掌纹融合识别方面,基于该领域研究现状,设计了两种分别基于SURF特征点查找和ROI频域强度的图像质量评估算法（Image Quality Assessment,IQA）。从原理而言上述方法分别从局部和全局两个层面对目标ROI进行质量评估。根据此评估机制计算样本的质量得分并分配权重,最后对指、掌纹样本识别进行分数级融合。在基于两个公共的非接触式指、掌纹数据集的实验下,并对数据进行了讨论和分析。证明了所提的指、掌ROI质量评估算法在有限时间损耗前提下,有效提高了指纹或掌纹的识别率（Recognition Rate,RR）。其次在与同类先进的方法实验对比中,基于质量评估的非接触式指、掌纹融合识别表现出RR=100和延时为195.5ms的优异的性能。