随着网络信息化的高速发展,信息安全对于人们来说也日益重要,各种生物识别技术也随之而生。常用的生物特征：DNA、指纹、签名和步态等,因其具有普遍性、难以遗忘和容易携带等特点,常被用于进行身份验证。在线手写签名因其难以遗忘、采集设备简单廉价、易获取等优点成为现在的身份认证中最为广泛接受的一种,并广泛应用于电子商务、银行、出入境管理、金融等各个重要领域,随着签名认证技术的发展,将不断推动信息安全等领域的大力发展。本文采用不同方式进行特征优选,并基于支持向量机(SVM)进行在线手写签名认证研究。相比于其它学习机,SVM模型能够很好地解决小样本分类问题。最初应用于人脸识别系统和语音识别系统,都取得了比较好的成果,而很少有学者将其应用于在线签名认证。通常特征匹配方式包括基于局部特征的函数特征匹配和基于统计特征的参数特征匹配两种,而本文考虑到签名的统计特征提取相对容易,且常用的SVM是用于特征长度固定且相等的分类器,正好可以实现基于SVM的统计特征的在线签名认证。文中首先介绍了基于SVM的在线签名认证方案,简单阐述了签名数据的采集、预处理过程及统计特征的提取,然后通过不同的方法逐级进行特征优选。特征优选主要包括基于PCA法的特征提取和基于多种分类器对比来选择最佳的个性特征。将优选出来的特征分别作为SVM模型的输入矢量,并进行认证实验。训练时,通过不断调整惩罚系数C和径向基核函数参数σ可训练出不同认证率下的模型,结合这两个参数对模型精度的影响,找出最佳认证率下的C和σ的参数组合并得到对应的SVM训练模型。这样,训练好的SVM模型可用于后期签名的测试。实验结果表明,对特征优选后得到的特征采用SVM模型进行认证,可以得到FAR与FRR都低于4%,较未选特征时降低了特征的维数,提高了系统的性能,并提高了签名认证速度,具有较好的应用前景。