随着计算机和网络技术的发展，生物特征识别成为一种日益重要的个人身份鉴别技术。手写签名认证是生物特征识别的重要研究领域之一，由于手写签名已经长期在人们日常生活中用来鉴别身份，与其它生物特征相比，它更易于为人们所接受。在线签名认证由于采集了书写过程的动态信息，更能够有效地反映个人特性，是手写签名认证主要的研究方向，吸引了众多的科研人员投入到这一领域的研究，并取得了丰硕的成果。但目前它在认证精度和可靠性上还不能满足一些实际应用要求，需要进一步提高和完善。一个重要问题就是现有手写板采集的书写力信息不完整。为此，本文在国家自然科学基金项目“基于力的手写信息获取与解释”的资助下，对基于力信息的手写签名信息获取和在线签名认证方法进行了深入系统的研究。全文的主要研究工作概括如下： 在详细分析了当前在线手写信息获取设备的工作原理和不足的基础上，设计研制了一种基于多维力化感器的手写板，它能够同时获取签名笔迹和三维书写力信息。研究了手写板的位置坐标测量精度的评价问题，提出了一种使用BP神经网络估计和修正系统误差的方法。 针对获取的签名字形和书写力信息，本文研究了基于局部特征和基于全局特征的两种签名认证方法。首先，结合手写签名的运动模型与中文签名特点，利用速度极小值点将签名分割为基本笔段，从中提取了字形和书写力两种局部特征，构成签名特征向量序列。建立了笔段特征隐马尔可夫模型(HMM)来描述手写签名的动态过程，并在此基础上，提出了基于HMM的在线手写签名认证方法。考虑这种认证方法特点，提出了一种基于遗传算法的笔段特征选择方法，利用HMM将签名分割为子签名块，并以子签名块的可分性判据来构造适应度函数，有效地减少了计算时间。研究了在特征选择中是否使用伪造签名样本、选择系统通用特征子集和个人特征子集等不同选择方式对认证性能的影响。 其次，将书写力信息结合签名字形转换为书写力图像，提取图像矩特征作为签名全局特征。提出了一种采用支持向量数据描述(SVDD)作为分类器的签名认证方法，并利用遗传算法实现对特征选择和SVDD参数的联合优化。 在以上单独使用一种类型特征的认证方法的基础上，研究了基于信息融合的