Šiame magistro baigiamajame darbe pateiktas darbo atlikimo planas, literatūros šaltinių apžvalga, aprašyti mano sukurti du rainelių segmentacijos metodai, teoriniai principai, kuriais jie remiasi ir programinis įrankis, kuris juos įgyvendina, su šiuo programiniu įrankiu atlikti tyrimai ir jų rezultatai. Vienas iš mano sukurtų rainelių segmentacijos metodų remiasi žymėmis kontroliuojama vandens takoskyros transformacija ir momentiniais invariantais. Derinant vandens takoskyros transformaciją su momentiniais invariantais rainelių segmentacijoje išvengiama slenksčių ar kitokių iš anksto nustatytų apribojimų paveiksliukams. Atlikti tyrimai parodė, kad algoritmą įgyvendinantis programinis įrankis vyzdį suranda 73% paveiksliukų, o rainelę 67% paveiksliukų. Kitas mano sukurtas metodas – aktyvaus kontūro paieška. Jis pagal duoto pradinio rainelės apskritimo matmenis suranda tikslų arba bent tikslesnį nei apskritimas rainelės išorinį kraštą. Šis metodas gerai (neprarandant daug rainelės duomenų) segmentuoja 93% rainelės paveiksliukų ir 1,6 karto sumažina rainelių atpažinimo klaidų įverčius. / In this report of my postgraduate work you can find an execution plan, a literary source review, a description of two iris segmentation methods created by me, theoretical principles my methods relies on, a description of application which realizes the methods and results of a research performed with the application. One of the iris segmentation methods created by me relies on the marker-controlled watershed transformation and moment invariants. Combining the marker-controlled watershed transformation with moment invariants in iris segmentation avoids thresholds and other pre-determined limitations for pictures. Performed research revealed that the algorithm realizing application finds pupil in 73% of all examined pictures and iris in 67% of the pictures. The second method created by me – active contour detection. By given initial iris circle dimensions it detects precise or at least more accurate than the circle external iris contour. The method gives good segmentation results (not loosing much iris data) for 93% iris images and 1,6 times decreases iris recognition error rates.