随着身份识别和认证在军事、国防、信息安全和福利发放等领域中应用越来越广泛，识别系统的精度、效率、易用性、鲁棒性等越来越受到研究者的重视。其中，掌纹识别技术以其特征稳定、易于获取、高度可分性等特点受到广泛关注，由于识别精度和识别速度等方面的考虑使该掌纹识别技术仍然是当前的一个研究热点。　　本文对当前掌纹识别相关技术和方法进行了全面的研究和探讨。提出了先以轮廓特征点的定位方法获取掌纹图像感兴趣区域 ROI（Region of Interest）再对其进行去噪增强处理的研究思路，减少了计算量，提高了运行速度。然后改进并提取了预处理后的掌纹ROI的小波能量特征 WEF(Wavelet Energy Feature）作为匹配特征向量。对神经网络在掌纹识别中的结构进行了深入探究，在此基础上，构造了合适的BP神经网络掌纹分类器，并利用该分类器进行掌纹识别。　　本研究以香港理工大学掌纹识别研究中心创建的PolyU Palmprint_Database（V2.0）标准掌纹库为实验数据，从中随机选择500个掌纹样本进行仿真实验，将80％的样本的WEF作为BP神经网络的训练数据，通过不断调整神经网络结构参数，确定了最终掌纹识别的BP神经网络结构。用该神经网络对剩余的20％的样本进行预测，识别率达到99％，与一些公开的文献相比，识别率略有提高。仿真结果表明本文所提出的改进的小波能量特征(WEF)与BP神经网络(BPNN)掌纹识别方法有效、实用。　　由于实验条件、时间、个人能力等原因，没有在掌纹采集和掌纹库构建上进行深入研究，未来的研究方向主要集中在嵌入式掌纹识别系统和残缺掌纹的识别等方面。