现阶段的指纹识别技术主要依靠提取指纹上的细节点特征进行个人身份的匹配和验证,然而基于细节点匹配的方式有一定的局限性和安全性问题。高分辨率指纹图像上的汗孔特征由于其唯一性且数量丰富,从而能克服基于细节点的局限性,提高指纹识别的安全程度。在指纹汗孔提取的相关研究中,尽管最先进的基于滑动滤波的方法实现了多尺度、自适应、动态多模型等提取策略,但这类方法仍需要复杂的预处理和后处理过程且提取精度也难以令人满意,尤其在应对低质量指纹图像时。基于卷积神经网络的方法是另一种能够应对多形态的稠密汗孔识别问题的途径,同时也避免了传统方法手工设计特征的额外开销。综上所述,本课题针对高分辨率指纹图像的汗孔提取问题进行了广泛的调研和深入的探究,主要工作内容如下:设计基于目标检测框架的汗孔提取方法,本课题在两类目标检测框架下进行了汗孔提取实验,这包括:双阶段的Faster R-CNN框架和单阶段的SSD框架。在实验中使用了适当策略,如面向稠密小汗孔的数据增广和低质量指纹生成、难分样本挖掘、DAPM预训练等。由于使用了更小的卷积核和上述策略从而使得基于目标检测框架的汗孔提取精度显著提高并验证了此种方法的有效性。提出基于完全卷积网络的汗孔提取方法,该方法根据汗孔感知野构建了一个带有多重短路结构的更精细稳定的汗孔检测器(Pore Det),其引入了汗孔周围的上下文信息,结合了Focal Loss损失,采用了边缘模糊策略,实现了任意尺寸的高分辨率指纹图像的稠密汗孔检测。同时,在本文建立的双尺度实验数据库和评价准则上进行了大量的实验,证明了在同等条件下该方法的优越性。提出基于完全卷积网络的指纹增强方法,以解决指纹图像采集的过程中出现的以及指纹本身的图像质量问题。低质量指纹问题已经成为指纹识别的瓶颈之一,是当下指纹识别技术的最大痛点。为了改善指纹图像的质量,本文主要针对部分模糊或变形、类汗孔的噪点影响识别等指纹质量问题,设计基于完全卷积的指纹增强方法,名为面向汗孔信息的指纹质量增强网络(PFE-Net),该方法设计了累加残差学习的网络结构,结合拉普拉斯损失进行训练并采取了“缩小-放大-调整”的策略从而有助于改善指纹图像的质量。