در سال های اخیر، اثرانگشت به دلیل خواص انحصاری، نظیر سادگی در دریافت، جامعیت، پایداری و امنیت در کانون توجه بسیاری از پژوهشگران علم بیومتریک بوده است. در پایگاه داده های حجیم، ابتدا اثرانگشت ها به تعدادی کلاس تقسیم شده و سپس عمل انطباق صورت می گیرد. دسته بندی اثرانگشت بر اساس الگوی حرکت لبه ها و یا ویژگی های فرکانسی آن انجام می شود. پس از دسته بندی، داده ی ورودی فقط با داده های کلاس مشابه مقایسه می گردد. در این تحقیق، پس از دریافت و پیش پردازش تصویر، با عمل بهبود، کیفیت و وضوح تصویر را ارتقا دادیم. عمل بهبود تصویر به صورت مرکب و با استفاده از جهت و فرکانس محلی تصویر انجام می شود. پس از این مرحله، نقاط یکتای تصویر (ویژگی های سطح اول) استخراج شده و برای مرحله ی دسته بندی ارسال می شوند. برای استخراج نقاط یکتا از روش فیلتر مختلط اصلاح شده، استفاده شده است. در مرحله ی دسته بندی نیز، روش دسته بندی مبتنی بر قانون و قوانین اصلاح شده ی هنری به کار گرفته شده است. دسته بندی در این تحقیق، به صورت مطلق صورت نمی گیرد. با استفاده از رتبه بندی احتمالی کلاس های موجود، فهرستی از کلاس های ممکن به عنوان خروجی این مرحله اعلام می شود. در صورتی که تصویر معادل با تصویر ورودی، در کلاسی با بیش ترین احتمال موجود نباشد، کلاسی با دومین بزرگترین احتمال، مورد جستجو قرار می گیرد. مرحله ی انطباق با استفاده از ویژگی مینوشیا و روش مثلثی پیشنهادی صورت گرفته است. در این روش، مثلث های تشکیل شده از مینوشیاهای معتبر، مقایسه می شوند. این روش بی نیاز از جهت مینوشیا و هم جهت کردن تصاویر بوده و نسبت به جابه جایی نیز مقاوم است. پس از تکمیل سیستم شناسایی اثرانگشت، مراحل زمانبر تعیین گشته و بسته به نیاز، توسط cpu و gpu موازی شدند؛ موازی سازی gpu توسط سکوی کودا انجام گرفت. نتایج موفقیت آمیز موازی سازی در کنار دقت مطلوب سیستم پیشنهادی حاکی از کاربردی بودن آن در سیستم های برخط است. به شکلی که زمان اجرای سیستم پس از موازی سازی، افزایش سرعت 9 برابری را نشان می دهد.