笔迹自古以来是验证书写者身份的一项重要方法。相比于人工笔迹验证，使用计算机进行笔迹验证有避免人工操作的主观性、验证速度提升、可以联网异地工作等优点，近十年来已经广泛投入应用。计算机笔迹验证(Computer WriterVerification)的基本过程是将笔迹扫描或通过传感器输入计算机后，由程序提取出笔迹中书写风格的特征并进行比对，从而作出两幅或两幅以上的笔迹样本是否为同一人所写的判断。计算机笔迹验证发展迄今已经过了四十余年时间，但是，在目前的研究中，仍存在着特征选择缺乏标准性依据、鉴定精度无法满足实际需求等问题。近年来，基于机器学习的计算机笔迹验证获得了很大的发展。支持向量机（Support Vector Machine, SVM）作为模式识别中的一种重要分类方法，现在已成为机器学习和数据挖掘中的标准工具之一。笔迹具有类内变化大的特性，在进行分类鉴别时容易受到噪声和离群值的影响。Lin和Wang提出的模糊支持向量机（Fuzzy Support Vector Machine, FSVM）算法，应用模糊隶属度函数对应到每笔特征向量中，当特征向量为噪声或离群值时，给予较低的模糊隶属度，从而能够减少噪声和离群值对分类识别结果的影响。本文首先综述课题的研究背景，并对旧有的笔迹特征提取方法以及特征分类识别方法作出分析。在此基础上，提出了一种改进的计算机笔迹验证方法。首先，在笔迹图像中提取出特征字的轮廓，由轮廓的方向提取出文字的方向线素(Directional Element Feature, DEF)特征，形成特征空间，进而结合主分量分析法(Principal Component Analysis, PCA)对特征空间进行降维。为了解决笔迹特征类内变化大的问题，将模糊支持向量机算法引入笔迹验证中，使用三种不同的模糊隶属度函数进行特征分类，通过实验结果选出最适于笔迹验证的模糊隶属度函数。针对笔迹验证小样本的特点，对多个特征字使用特征融合来提高分类正确率。此验证方法在自制笔迹库HEU-WV01中获得了较好的验证效果。