指纹作为一种重要的生物特征，在身份认证等领域一直发挥着特别重要的作用。本文针对指纹自动识别系统的关键技术进行了研究。　　第二章提出了基于深度学习的奇异点检测方法，该方法通过变尺度的全卷积神经网络确定奇异点区域，建立概率估计模型确定了奇异点位置。该方法不依赖于指纹方向场，适应性优于基于方向场的方法。实验结果表明该方法在质量差的指纹上取得更优异的准确率。　　第三章针对警用指纹设备和民用指纹设备的不同，分析对比了两种设备上的指纹识别算法。针对民用指纹采集设备的特点分析了小面积指纹识别算法存在的问题，设计的难度。并在第四、五章中给出了完整的小面积指纹识别算法。　　第四章提出了基于脊线特征与改进的广义哈夫变换的小面积指纹识别算法。该方法将脊线作为小面积指纹的主要特征，给出了脊线的表示方法。在提取出脊线特征的基础之后，设计并使用了基于改进的广义哈夫变换算法进行两幅小面积指纹的粗对齐。改进的广义哈夫变换相对于传统的广义哈夫变换在速度上提高了近20倍，同时内存消耗也仅为后者的5.68％，这表明本文的算法可以满足现在实际应用中的实时性要求。在对齐的基础上本文提出通过机器学习的方法进行综合评估，给出最终的匹配分数，从而确定是否为同一枚指纹。　　第五章提出了基于改进的极坐标傅立叶变换和深度卷积网络的小面积指纹识别算法。首先，通过改进的极坐标傅立叶变换给出两幅小面积指纹图像的多种可能的对齐候选;然后，在这些候选的基础上，提取出两幅小面积指纹图像的重合区域;最后，使用深度卷积网络对重合区域进行匹配相似度估计，选择匹配的最高分作为最终得分。该方法不需要提取任何人工经验的特征，对指纹质量无任何要求，识别性能优异。