签名是被社会普遍接受的一种身份验证方法。由于其易模仿性，因此成为了伪造的对象。签名验证是通过分析手写人书写风格的一种判断书写人身份的方法。在日常生活中，签名验证发挥了很大的作用。如果鉴别正确率高，将对社会各行业起到关键作用，同时在国家发展中发挥重大作用。签名验证成为计算机与模式识别领域的热门研究，并且具有良好的应用前景。本文针对离线签名，研究了一系列行之有效的离线中文签名验证方法，首先，介绍了中文签名验证的概述及国内外研究现状；其次，阐述了离线中文签名验证系统的流程；最后，深入研究了离线签名图像采集、预处理、特征提取与选择和分类鉴别技术，并进行了一系列实验。针对中文签名的特点，对签名图像进行了一系列预处理，包括平滑去噪、图像二值化以及骨架提取等。在预处理中，用遗传算法阈值分割进行二值化，与常用的最大类间方差法进行比较，经过仿真，效果更好。在特征提取时，为了弥补单一特征的不足，使其能够准确、全面的反映签名的特点。本文提取的是静态特征、伪动态特征特征，并且采用多特征融合的方法。目前，许多学者将支持向量机学习方法用到签名验证中，并取得了一定的研究成果，但是，对于高维数的签名数据，支持向量机签名验证存在训练时间长、测试速度慢等不足之处。针对以上不足，在特征提取后，本文采用粗糙集约简属性的特征选择方法，将冗余特性删除，达到降低特征维数的目的，这种方法不但避免了特征提取中维数灾的问题，还有效改善了训练时间。比较决策阶段，本文用适用于有限样本、泛化能力比较好的支持向量机进行分类，但是核函数的选择直接影响着支持向量机的分类性能，针对这一不足，选择全局优化能力强，且不易陷入局部最优的遗传算法来优化参数，获取最优分类参数，采用粗糙集属性约简后的特征向量，通过学习，构建出具有最大分类间隔的分类器。实验表明，该算法可以获取较好地鉴别效果。