指纹识别系统分为验证（Vaification）和识别（Identification）两种模式，其差别在于是进行1:1还是1:N的模式匹配。对于大型指纹库的IN匹配，需进行指纹分类，分类的目的是提高1:N识别的效率。指纹分类后，在1:N识别时，输入指纹只需要同指纹库中类型相同的指纹进行匹配，从而可以大大减少匹配次数，提高IN的识别速度。
指纹分类的思想最早是由E.Henry提出，他将指纹分为五种主要的结构类型：拱形（Arch）、帐拱形（Tentedarch）、左其型（Leftloop）、右其型（Rightloop）和斗型（Whorl），分类的依据是中心点附近的纹线结构以及中心点、三角点的数最和相对位里。Henrysystem方法提出后，在人工指纹识别中获得了成功应用。
目前对指纹分类的研究大多集中在如何将指纹划分为HenrySystem所定义的五种类型，其优点是这些类型具有较明确的定义，且与人工方式相兼容，缺点就是类型的数目太少，且指纹分布极不均匀，对提高1:N识别的效率愈义不大。
利用B样条曲线来模拟指纹脊线。提出了一种基于纹线跟踪的指纹分类方法。神经网络方法，特别是以运用改进的BP网络为代表的神经网络实现指纹分类，拥有良好的自学习能力和容错能力。目前，神经网络方法在指纹识别技术中应用较为广泛，但是神经网络方法容易陷入局部最优和过学习。对于有限样本的情况，采用神经网络学习，如果网络的学习能力过吸，足以记住每个样本，此时经脸风险很快就可以收散到很小甚至零，但却根本无法保证它对未知样本能给出好的预侧。U.Halici和T.Kuna通过机器自学习产生类型划分，其优点是类型数目较多，缺点是所产生的类型难以理解。
K.Karu,L.Hong.QLMarcialis提出了基于全局结构特征的分类方法，通过提取和分析方向图、奇异点、纹线结构等全局结构特征来实现分类。优点是模仿人类进行指纹分类的做法，有很多规则可以利用，对指纹的变形有较强的祷棒性。缺点是指纹图像质量较差时很难提取可非的结构特征。
P-Cappelli,Y.Yao,A.KJain提出了基于指纹统计特征的分类方法。这类方法根据原始指纹图像或其某种变换结果（如傅立叶变换）的统计皿如均值、方差等，采用神经网络进行分类。优点是对图像质里有较强的鲁捧性，缺点是运算速度较慢。
MariosS.Pattichi:提出了一种墓于AM-FM模型的特征提取的指纹分类方法，将指纹图像看成一种人M-FM模型，并利用主成分分析法提取基本FM分量，将这些基本分量作为指纹图像分类算法的愉入，获得了良好的分类性能。
在实际中，由于指纹纹线结构变化各异，很难对不同的类型给出一个非常明确、清晰、定量的定义，各类型之间的边界不清晰，甚至出现交又，不仅使自动指纹分类非常困难，即使对人工指纹专家，要实现梢确、一致的分类也非常困难。除了指纹结构多样化外，造成自动指纹分类非常困难的另一个主要原因是有些指纹图像质全较差，其中纹线结构不清晰，从而很难可靠地从中提取出代表指纹类型的特征信息，从而影响自动指纹分类的精度。很多研究者试图解决指纹分类问题，但至今分类算法的误识率仍较高。如何提高指纹分类的准确率是自动指纹识别研究中一个比较关键的问题。
