当前正值我国大力推进气象信息化发展的关键期,以提高气象数据共享应用为核心的气象信息管理系统时常会面临用户非法入侵和访问等安全问题。为了提高系统安全,多种信息保护技术被应用其中。密码口令是获得气象信息管理系统访问权限最常用的一种身份认证法,但它极易被泄露、遗忘或破译。指纹因具有唯一性、稳定性的特征可作为一种身份认证凭证,但实际应用中,非法用户可通过人造指纹入侵气象信息管理系统,给系统访问带来安全隐患。因此,本文将研究指纹活性检测算法以抵御假指纹的欺骗攻击,并将指纹活性检测技术应用到气象信息管理系统的指纹认证系统中,进一步确保访问气象数据用户身份的真实性。本论文主要研究内容如下:（1）基于空域纹理特征提取的指纹活性检测算法。伪造指纹可重现真指纹图像中粗粒度的纹理信息,所以气象信息管理系统中的指纹识别系统易遭受假指纹的攻击。但假指纹很难复制高质量的细微纹理,使得非法认证成为可能。梯度可反映图像局部的像素变化强度,有利于刻画指纹中小尺度的细微的纹理特征。因此,本文首先提出一种多方向差分共生矩阵的特征提取算法,先对图像进行预处理和量化操作,再计算水平和垂直方向梯度。其次,本文设计了一个截断操作法,通过分析梯度和截断因子T的关系,消除由于光照强度和噪声的干扰而致使差分矩阵产生异常值的问题,提高算法的精度。最后,计算差分矩阵在四个不同方向下的共生矩阵特征,并将归一化的特征用SVM进行训练和测试。另外,使用本章算法,在第七章中给出了我们已开发的两个支持指纹活性检测的指纹识别系统。（2）基于变换域特征提取的指纹活性检测算法。变换域中的频谱分布有助于展现在空域中观察不到的图像纹理特性,而提取真假指纹间的显著性差异能够提高气象信息管理系统中指纹活性检测的性能。小波变换能突出图像在尺度和方向上的特征,非常适用于纹理复杂多变的指纹。本文首先使用一级小波变换将图像的纹理分析从空域转化到频域,通过对变换域系数的分析,设计了两种变换域纹理特征提取算法。一种是基于局部二值模式的特征提取算法,首先选定窗口并按固定步长滑动,比较窗口中心和邻近像素间的关系,并进行编码,将处理完的图像进行分块并求特征。另一种是多阶差分共生矩阵的特征提取法,即统计相邻两个、三个或四个梯度的分布关系,并将其作为特征向量。最后将归一化的特征用SVM进行训练和测试。此外,本文还给出矩阵阶数与特征维度间的关系表达式。实验表明,本文算法在变换域中具有较好的检测性能。（3）基于卷积神经网络模型的指纹活性检测算法。利用气象高性能计算机可缩短深度学习算法的运行时间,离线训练真假指纹模型并将其移植到气象信息管理系统的指纹活性检测中,能进一步提升系统检测真假指纹的准确性。本文首先提出一种尺度均衡化的CNN模型来解决CNN对输入图像尺度的约束问题。CNN在反向传播更新参数时易产生权值收敛慢或陷入局部最优的问题,本文引入了一个学习率自适应调整模块对其进行优化。另外,本文通过设计一种感兴趣区域提取算法来消除指纹图像中无效区域干扰的问题。为了使模型分类器具有更好的泛化性,本文又设计一种基于局部梯度模式纹理增强的指纹活性检测算法,并在Liv Det 2011数据集上取得了不错的效果。为解决训练参数面临梯度膨胀或梯度消失的问题,同时减少反向传播过程中模型的训练时间和避免参数陷入到局部最优,本文还提出一种基于自适应学习的深度残差网络模型。（4）基于多模态深度特征融合的指纹活性检测算法。学习真假指纹间的显著性差异是提高气象信息管理系统中指纹活性检测性能的关键。传统的检测方法都是基于手工设计的特征,为了充分利用深度学习能够自动的从带有标签的数据中学习到描述原始图像结构和纹理的特征,本文将CNN输出层之前的网络当作特征提取器,提出一种深度特征自学习的指纹活性检测算法。接着,为了测试不同模态特征融合后的性能,本文又设计了一种多模态深度特征融合的算法。在特征提取前,分别进行迁移学习和模型微调两个操作来解决训练集不足的问题,并将微调后的训练参数作为特征提取器的初始值。最后,将融合的特征输入到分类器中进行训练和测试。此外,本文还将融合的特征在ELM和softmax两个经典的分类器上进行了测试,均得到较好的检测性能。