Η αυτόματη ταυτοποίηση εικόνων δακτυλικών αποτυπωμάτων αποτελεί ένα δύσκολο και πολυδιάστατο πρόβλημα, το οποίο έχει απασχολήσει πλήθος ερευνητών και για το οποίο έχει αναπτυχθεί μεγάλος αριθμός τεχνικών. Η δυσκολία του προβλήματος έγκειται στο γεγονός ότι οι εικόνες των αποτυπωμάτων είναι σε μεγάλο ποσοστό αλλοιωμένες ή ακόμα σε κάποιες περιπτώσεις δεν είναι διαθέσιμη η πλήρης εικόνα του αποτυπώματος, αλλά μόνο ένα μέρος αυτής. Στη συγκεκριμένη διατριβή, προτείνονται δύο μέθοδοι αυτόματης ταυτοποίησης δακτυλικών αποτυπωμάτων: α) η μέθοδος ταυτοποίησης δακτυλικών αποτυπωμάτων με χρήση τεχνικών ευθυγράμμισης και β) μέθοδος ταυτοποίησης δακτυλικών αποτυπωμάτων από το συνδυασμό του Δικτύου Αυτό-Οργανούμενων Δικτύων του Kohonen και του ορισμού των σημείων μικρολεπτομερειών των αποτυπωμάτων ως νευρώνων του δικτύου. Επιπλέον, ιδιαίτερη βαρύτητα δόθηκε στην προεπεξεργασία των εικόνων των δακτυλικών αποτυπωμάτων βάσει της ανάπτυξης και εφαρμογής κατάλληλων τεχνικών επεξεργασίας εικόνων προκειμένου να προκύψει βελτίωση της ποιότητας της εικόνας του δακτυλικού αποτυπώματος και να εξαχθούν οι μικρολεπτομέρειες που χρησιμοποιούνται για την ταύτιση των δακτυλικών αποτυπωμάτων. Στο πλαίσιο της παρούσας διατριβής, χρησιμοποιήθηκαν δεδομένα δακτυλικών αποτυπωμάτων από τις βάσεις VeriFingerSample_DB της Neurotechnology και η DB3 του διαγωνισμού δακτυλικών αποτυπωμάτων FVC2004. Για την ποσοτική αποτίμηση της απόδοσης των προτεινόμενων μεθόδων χρησιμοποιήθηκε το κριτήριο της Αναλογίας Ίσου Σφάλματος (EqualErrorRate – EER). Σύμφωνα με το κριτήριο αυτό, η μέθοδος ταυτοποίησης δακτυλικών αποτυπωμάτων βάσει του Δικτύου Αυτό-Οργανούμενων Δικτύων παρείχε καλύτερα αποτελέσματα σε σύγκριση με οποιαδήποτε μέθοδο ευθυγράμμισης που εφαρμόστηκε. / Automatic Fingerprint Identification is a difficult and multidimensional problem. For this reason, the number of papers and techniques regarding this issue is numerous. The hardness of the problem lies with the fact that there is a large percentage of corrupted and partial fingerprint images. Throughout this Thesis, two methods were proposed for the Automatic Fingerprint Identification: a) the Automatic Fingerprint Identification based on registration techniques and b) the Automatic Fingerprint Identification based on the theory of Self Organizing Maps of Kohonen, setting the minutiae of the fingerprint images as input neurons of the Map. Furthermore, an important step prior to the application of the proposed automatic fingerprint identification methods is the pre-processing of these images by the development and implementation of a series of image processing techniques in order to enhance the image quality and to extract the minutiae which are then used for the fingerprint identification. In this Thesis, a substantial number of fingerprint images were used from the database VeriFingerSample_DB kai from the database DB3 of the competition FVC2004. The quantitative evaluation of both proposed automatic fingerprint identification methods were based on the Equal Error Rate (EER) criterion. According to this, the Automatic Fingerprint Identification based on the Self Organizing Maps outperformed against any other method based on registration techniques.