由於人類專家可以很輕易地辨別指紋圖案，因此，我們應用類似人類思考的方法來辨識指紋。
首先，我們將傳統的一維模糊理論拓展到二維模糊影像，接著利用倒傳遞類神經網路（BPNN）學習指紋圖案。
由實驗結果得知這個方法是可靠且快速的。
指紋樣本來自於NIST4，共500筆，其格式為256灰階，512x512， 500 dpi。
最重要的生物特徵辨識指標之一即為拒真率。拒真率的定義是使用者本人被系統拒絕的機率，其值越低越好。在這個程式中，拒真率為0%，也就是說使用者本人絕對不會被系統拒絕，這是因為每個使用者都有個人專用的類神經網路作辨識之故。
認假率是指系統接受非使用者本人的機率，其值越低越好。在這個程式中，認假率為0.03%，也就是說在1萬個入侵者中，有3個人會被系統誤判而通過。若是剔除測試樣本中特徵點過少的不良影像，其值可以更低。
程式本身是用Borland C++ Builder 6.0開發的，測試平台為Pentium 4 (3G, 512MB DDRRAM)，平均指紋資料建檔時間少於5秒。
本系統實做了高速且精確的 1:N 指紋比對演算法，每筆資料平均比對時間少於0.05秒，若再針對程式進行最佳化，可再降低比對時間。
可以容忍20%的錯誤特徵，其認假率依然保持 0 %。
萃取指紋特徵，產生模糊影像，訓練類神經網路，然後將類神經網路存在磁碟中。
1. 開啟指紋影像。
2. 尋找分岔點。
3. 顯示模糊影像。
4. 輸入使用者代號。這邊我們輸入"LeftLoop"。
5. 選擇資料庫的資料夾。
6. 訓練並儲存類神經網路。
查核(Verify )和鑑定(identify)使用者指紋。
1. 開啟指紋影像。
2. 尋找分岔點。
3. 顯示模糊影像。
4. 選擇資料庫資料夾。
5. 1對1認證： 輸入不在資料庫中的錯誤使用者代號"NewUser"。程式會顯示這是錯誤的使用者代號。
6. 1對1認證： 輸入在資料庫中的其他使用者代號"RightLoop"。程式會顯示拒絕使用者進入，因為相似度偏低，只有2%。
7. 1對1認證： 輸入在資料庫中的原本使用者代號"LeftLoop"。程式會顯示接受使用者進入，因為相似度高達96%。
8. 1對多認證： 程式會顯示這是"LeftLoop"的指紋，因為其相似度最高，達到96%。
進入雅典娜 論壇。