1、在現(xiàn)今網(wǎng)絡(luò)化與信息化高度發(fā)達(dá)社會(huì)中，信息的安全顯得極其重要，個(gè)人身份識(shí)別技術(shù)擁有顯著的應(yīng)用價(jià)值。在各種身份識(shí)別技術(shù)中，手寫(xiě)簽名認(rèn)證技術(shù)具有方便性、唯一性與穩(wěn)定性的特點(diǎn)，所以它的應(yīng)用越來(lái)也廣泛。
　　 本文主要對(duì)手寫(xiě)簽名識(shí)別進(jìn)行研究，結(jié)合隱馬爾科夫模型(hidden Markov model，HMM)和小波神經(jīng)網(wǎng)絡(luò)(wavelet neural networks，WNN)的優(yōu)點(diǎn)提出了一種新的簽名識(shí)別方法。主要內(nèi)容有：
　　

2、 首先，本文介紹了在線手寫(xiě)簽名識(shí)別的一般過(guò)程。重點(diǎn)研究了簽名識(shí)別的特征提取部分，提取最優(yōu)特征來(lái)優(yōu)化簽名的特征序列。并通過(guò)實(shí)驗(yàn)驗(yàn)證最優(yōu)特征的識(shí)別效果(詳見(jiàn)第二章)。
　　 其次，對(duì)HMM算法進(jìn)行研究，在其基礎(chǔ)上構(gòu)建簽名識(shí)別系統(tǒng)。實(shí)驗(yàn)表明高斯混合密度數(shù)和狀態(tài)數(shù)是影響簽名識(shí)別效果的兩個(gè)主要因素，通過(guò)選擇合適的高斯混合密度數(shù)、狀態(tài)數(shù)和最優(yōu)特征能進(jìn)一步提高了識(shí)別效果(詳見(jiàn)第三章)。
　　 再次，在基于HMM在線手寫(xiě)簽名識(shí)別系統(tǒng)的基

3、礎(chǔ)上，引入了小波神經(jīng)網(wǎng)絡(luò)。把小波神經(jīng)網(wǎng)絡(luò)與隱馬爾科夫模型結(jié)合，形成一個(gè)新的簽名識(shí)別系統(tǒng)，即基于HMM/WNN簽名識(shí)別系統(tǒng)。隱馬爾科夫模型能很好的描述時(shí)間序列，小波神經(jīng)網(wǎng)絡(luò)有很強(qiáng)的分類(lèi)能力，二者的優(yōu)勢(shì)結(jié)合提高了簽名識(shí)別效果(詳見(jiàn)4.2和4.3)。
　　 最后，為了驗(yàn)證本文提出的方法的可行性與普遍適用性，本文用兩組來(lái)自不同數(shù)據(jù)庫(kù)的數(shù)據(jù)對(duì)簽名識(shí)別系統(tǒng)進(jìn)行驗(yàn)證，通過(guò)仿真得出兩組簽名識(shí)別結(jié)果的等錯(cuò)率(EER)。結(jié)果表明：本文的HMM/WN