机器学习是一类让计算机自动学习知识的技术。一般来说，机器学习算法是从数据中自动分析获得规律，并利用规律对未知数据进行预测。自20世纪50年代以来，机器学习领域掀起了几轮研究热潮，机器学习理论和算法的研究日趋深入和多样化。机器学习技术作为分析问题、解决问题的有力工具，被广泛应用于各研究领域，如信息检索、自然语言处理、医学图像分析、生物工程等。
生物特征识别中最基本的思想是依据与待识别样本最相近的模板样本确定待识别样本的身份归属。从本质上讲，这是机器学习中的K近邻算法的一种特殊情况（1近邻）。因此，生物特征识别与机器学习有着天然的联系。将机器学习理论和方法运用于解决困难问题，已经成为生物特征识别领域一种普遍的研究思路。
在指纹识别研究中，机器学习中的经典分类方法（如Bayesian分类器、决策树、支持向量机、神经网络等）均被成功用于指纹图像处理和指纹匹配，从而提升指纹识别的性能。在人脸识别研究中，机器学习技术的应用更加广泛，除传统的分类方法外，流形学习、核学习以及稀疏学习等方法由于能够更好地适应人脸在光照、角度方面的变化，均被用于人脸识别，成为目前人脸识别领域具有较高识别准确率和鲁棒性的识别方法。
除此之外，机器学习方法在虹膜识别、手指静脉识别、掌纹识别、掌脉识别、语音识别和签名识别等生物特征识别领域也起着极其重要的作用。(www.xing528.com)
在单一生物特征识别中，利用集成学习方法，集成针对某一生物特征的多种识别算法、多个模板（信号）等进行识别也是目前提高单一生物特征识别性能的一种重要策略。本质上，多模态生物特征识别是集成学习在生物特征识别领域的又一成功运用。在多模态生物特征识别系统的研究中，特别是并行融合模式的研究中，机器学习相关技术的运用也非常普遍。例如Bayesian、SVM等经典分类方法在得分级集成中的成功应用，协同学习方法在多模态系统模板更新方面的应用，以及多核学习（MKL）方法被用于高效地实现特征级集成等。
目前，机器学习技术在生物特征识别研究领域的成功应用比比皆是，已成为解决生物特征识别中困难问题的重要工具。本章在分析生物特征识别中存在的关键问题的基础上，进一步研究运用合理有效的机器学习方法解决这些问题，从而提高掌纹识别的识别准确率，促进其广泛应用。
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
