امروزه ویژگی های رفتاری و فیزیکی متعددی از انسان ها برای شناسایی آن ها به کار می رود. مهم ترین مشخصه بیومتریکی که برای تائید یا تعیین هویت افراد به کار می رود اثرانگشت است. افزایش تعداد افراد جوامع از یک سو و گسترش بانک های اطلاعاتی اثرانگشت از سوی دیگر، عمل شناسایی اثرانگشت به صورت سنتی را غیرممکن کرده و نیاز به خودکار سازی عمل شناسایی اثرانگشت افزایش یافته است. در سیستم های خودکار تشخیص هویت که بر اساس اثرانگشت کار می-کنند، یک تصویر اثرانگشت ورودی باید با کلیه ی تصاویر موجود در پایگاه داده مقایسه شود که این کار بسیار وقت گیر و پرهزینه است. درنتیجه نخستین مرحله در فرآیند شناسایی خودکار اثرانگشت، کلاسه بندی پایگاه داده مربوطه است.کلاسه بندی یک مجموعه بزرگ از تصاویر اثرانگشت به چندین زیرمجموعه، زمان جستجو و شناسایی یک تصویر اثرانگشت ناشناخته در آن مجموعه را به طور چشمگیری کاهش می دهد. یک سیستم بازیابی مبتنی بر محتوا معمولاً شامل دو بخش استخراج ویژگی و کلاسه بندی است. اولین مرحله روش پیشنهادی انجام پیش پردازش روی تصاویر پایگاه داده است. پس ازآن ویژگی های مختلف از تصاویر استخراج می شوند. اولین ویژگی از تصویرِ جهت به دست می آید. ویژگی بعدی نیز از اعمال تبدیل موجک بر روی تصویرِ جهت به دست می آید که تصویر تا پنج سطح تجزیه شده و ضرایب موجک سطوح دوم تا پنجم به عنوان ویژگی به کار می روند. این ویژگی ها با استفاده از کلاسه بند شبکه عصبی پرسپترون چندلایه به پنج کلاس مارپیچی ، کمانی ، کمانی شکسته ، حلقه ی چپ ، حلقه ی راست تقسیم می شوند. معیار دقت، برای ارزیابی سیستم پیشنهادی به کاررفته است. پیاده سازی روش مذکور بر روی پایگاه داده Nist و نتایج آزمایش ها و مقایسه آن ها با کارهای پیشین انجام شده در زمینه کلاسه بندی تصاویر اثرانگشت، حاکی از کارایی بالای روش پیشنهادی هستند.
