随着信息化的发展和智能硬件的普及，自动指纹识别技术已广泛应用于社会生活的方方面面。本文着重对指纹质量评估和奇异点特征提取这两个问题进行探究。　　指纹质量评价是指纹识别算法流程中的重要环节。传统基于方向性信息的指纹质量评价方法通常无差别地在整幅指纹图像上进行操作，在某些特定区域，如奇异点附近，总倾向于给出质量差的评价，这无疑影响了指纹质量评价的整体效果。奇异点是指纹重要的宏观特征。目前大部分的奇异点提取算法都在很大程度上依赖于方向场，而指纹图像噪声过大、区域不完整以及多样性增大等情况也给传统基于规则的奇异点提取方法带来了挑战。本文尝试对以上问题加以解决。　　在指纹质量评价问题上，本文提出了分区域多指标融合的指纹质量评价算法，将指纹分成低曲率区域和高曲率区域。对于低曲率区域，使用Gabor字典获取指纹块的稀疏表示，基于稀疏度来衡量指纹块的质量;对于高曲率区域，通过对称算子衡量指纹块是否具有期望的对称性;对于指纹的全部前景区域，衡量其嵴谷线结构的清晰度。综合以上三个指标得出最终的质量评估结果。实验表明，在国际公共指纹数据集FVC2002DB1和FVC2004DB1上，本文算法取得了比多种经典方法更有效的评估结果。　　在奇异点提取问题上，本文提出了基于全卷积神经网络的特征点提取算法，以原始图像作为输入，基于VGG16构建网络的特征提取部分，通过转置卷积和跳跃结构等方法，综合不同尺度的特征信息，直接获取原图所有指纹块的预测结果。与传统方法的不同之处在于，本文方法不需要任何预处理操作，保留了原始图像携带的所有信息，降低了方法间的相互依赖。同时，与纯粹卷积神经网络不同的是，本文方法不需要将指纹逐块输入到网络中，而是一次获取全部预测结果，极大提升了算法的效率。凭借对网络结构的精心设计以及巧妙的后处理措施，本文方法在NIST SD4数据集上表现出更高的准确性和鲁棒性。