基于上述分析，我们可以从三个方面努力排除低质量生物特征信号对识别性能的影响：
■研究高性能的成像硬件平台
■提高识别算法的鲁棒性
■在生物识别系统中引入智能的质量评价软件模块，只容许较高质量的生物特征信号进行注册或识别。
在这些措施中设计有效的质量评价算法最实际。因为再鲁棒的识别算法能够接受的信号质量也是有限的。虽然已经有高性能的生物特征获取装置面世，但是价格十分昂贵，也解决不了根本问题。所以研究生物特征的质量评价算法对于识别系统性能的提高具有重要意义。
生物特征信号的质量评价可看做一个两类模式识别问题——将采集到的生物特征分为合格和不合格两种情况。如果要对合格信号量化打分，还要将评价指标定量化。生物特征信号的质量评价问题是一个比较困难的问题，因为造成特征信号质量差的原因千差万别，即负样本的种类太多，不胜枚举，很难设计一个分类器将所有的正负样本区分开。需要通过质量评价来过滤的低质量生物特征一般包括存在离焦模糊或运动模糊的图像，信噪比太低的信号，遮挡的图像等。一般可以从空域和频域两个角度出发去设计质量评价算法。
从产品实用化的角度考虑，生物识别系统现在遇到的最大的瓶颈之一就是信号的质量评价。一方面，为了拓宽系统的适用范围，提高产品的易用性，对用户更友好，为此，研究人员希望系统能在生物特征质量要求较低的条件下运作，但是同时又要求系统能有稳定的高精度。为了平衡这个矛盾，设计“稳、快、准”的质量评价算法将是必由之路。
4、生物信号的定位与分割技术
经过处理后的掌纹纹路更清晰了。从生物特征获取装置采集得到的原始信号一般不仅包括生物特征本身，还包括背景信息，例如原始的虹膜图像中包括虹膜、瞳孔、巩膜、眼皮和睫毛等多个区域，真正能有效鉴别人们身份的图像内容也就在虹膜区域。所以必须从原始信号中分割出感兴趣内容进行特征提取。定位和分割算法一般都是基于生物特征在图像结构和信号分布方面的先验知识。例如人脸检测就是要从图像中找到并定位人脸区域，一直是计算机视觉领域的研究热点。
2001年美国的Viola和Jones提出了用易于计算的Harr小波特征来描述人脸模式，用AdaBoost来训练人脸检测分类器，取得了人脸检测领域的突破性进展，实现了实时检测视频中的人脸图像，而且准确率也非常高。这个方法对计算机视觉和生物识别领域的影响都很大，现在商业化的人脸识别系统基本上都是使用这种人脸检测方法或者其变种。而且这种通过机器学习训练弱分类器的方法也被推广到了一般视觉对象的检测和识别上。指纹的分割算法一般是基于指纹区域和背景区域的图像块灰度方差的差异特性虹膜的定位主要利用瞳孔/虹膜/巩膜存在较大的灰度跳变并且成圆形的边缘分布结构特征；掌纹的定位一般是基于手指之间的参考点来构建参考坐标系。
5、生物特征信号增强技术
得到了分割后的特征区域后，有的生物特征识别方法需要在特征提取前对感兴趣区域进行增强，主要目的包括去噪和凸显特征内容。例如人脸和虹膜图像一般用直方图均衡化的方法增强图像信息的对比度；指纹一般用频域的方法得到脊线分布的频率和方向特征后进行纹路增强对于比较模糊的生物特征信号，可以考虑使用超分辨率的方法或者逆向滤波的方法进行增强。
6、生物特征信号的校准技术
为了克服不同时刻采集的生物特征信号之间的平移、尺度和旋转变换，需要将参与比对的两个生物特征进行对齐。有的生物特征校准在特征提取之前完成，例如常用主动形状模型和主动表观模型进行人脸对齐；有的生物特征校准的过程就是特征匹配的过程。生物特征信号的校准结果对于识别精度的影响很大，所以也有学者认为生物特征识别最重要的问题是校准技术。
7、生物特征表达与抽取技术
对于生物特征识别，不管是外行还是内行，人们首先想到的问题就是机器是用什么特征进行身份识别的？什么是生物特征信号中凸现个性化差异的本质特征？这就是生物识别的基本的、原理性的问题。对于这个问题在个别的生物特征识别领域得到了共识，例如指纹识别，大家都公认细节点（包括末梢点和分叉点）是描述指纹特征的最佳表达方式，所以国际上就有统一的基于细节点信息的指纹特征模板交换标准，给不同厂商的指纹识别系统的兼容性和数据交换带来了便利。但是在其他生物识别领域，例如人脸、虹膜、掌纹等领域研究人员还在不断探索最佳的特征表达模型。虽然这些领域的特征表达方法的种类繁多，部分算法也已经取得了很好的识别性能，但是人脸识别、虹膜识别、掌纹识别的根本问题——“什么是人脸、虹膜或掌纹图像的本质特征及其有效表达？”一直没有得到权威和普遍认同的回答。