生物身份识别技术已经广泛应用于人们的日常生活中,尤其是对于身份验证比较严格的安全领域。掌纹包含着丰富的纹理信息,特征唯一和稳定,成为生物身份识别领域研究的热点。小波分析和神经网络的引入,可以对掌纹图像进行多分辨率分析,对提取的掌纹特征进行特征训练和自动学习。掌纹识别的正确率不断提高,加速了掌纹识别的市场化进度。本文对掌纹识别过程的预处理部分进行了仔细分析,尤其是对重要的手掌轮廓线和关键点提取阶段进行了研究,提出了新的算法。在手掌轮廓线提取阶段,提出了“最长最可能”算法分两阶段进行手掌轮廓线的提取。此算法可以在含有较多噪声的手掌图像中提取出单像素闭合手掌轮廓线,而且手掌内的噪声不会被搜索到,算法有较低的时间复杂度。本文根据手掌形态学,提出一种新的提取关键点的算法。此算法首先定位关键点所在区域,可大大缩短关键点搜索的时间。由于采用以手掌外接矩形对角线交点为圆心的圆周来确定关键点所在区域,算法的时间复杂度低。对于不同放置位置的手掌图像,算法的时间复杂度相同,对旋转手掌图像具有较强的鲁棒性。本文对掌纹预处理阶段的重要算法进行了优化和改进,整个预处理算法有较低的时间复杂度,对一幅手掌图像的处理时间为40ms左右。关键点定位算法具有较高的鲁棒性,使得整个预处理算法对手掌放置位置有较强的适应性。本文对244幅包含有噪声和经过旋转的手掌图像进行预处理,截取ROI图像的正确率达到了98%以上。