在线签名认证是一种基于行为特征的生物识别技术，广泛应用于信息安全、商务、司法、金融、保险等领域。随着信息化时代的发展，电子签名设备的普及，签名不再单以图像的形式存在，而是增加了更多的动态信息，通过对动态信息的分析来提高签名认证的准确率是研究的重要方向。　　针对签名过程存在的旋转、缩放、位移和尺度变化的不稳定因素，本文建立了基于曲线相似性的在线签名认证模型，通过曲线的相似变换来实现相似度的优化。研究的主要的内容描述如下：　　(1)提出了基于函数优化的相似度计算方法。首先将签名曲线分段描述为贝塞尔连续函数，然后再计算对应分段曲线的相似度。将相似度优化问题转化为多参数的函数优化问题，引入了混和演化算法，先通过演化算法缩小参数搜索范围，然后通过局部搜索算法找到最优参数，并根据优化结果，计算签名曲线的整体的相似度。此外，本文给出了参数搜索范围的选取方法和邻域半径的更新方法，并在实验中对不同参数搜索范围下的认证效果进行了比较。　　(2)针对分段不一致的问题，本文改进了基于窗口累计差异的曲线分段对齐算法。在匹配过程中通过融入不同的合并规则来满足曲线段的多段对一段、一段对多段和多段对多段的匹配关系，并通过改进的跳跃规则实现多余曲线段的去除。实验中，对窗口阈值的选取进行了讨论，同时，对多组签名的匹配结果进行了统计和比较，得到了平均匹配错误率约为4.48%的匹配效果。　　(3)在签名认证阶段，本文分别从整体相似度和有效匹配长度进行了考虑，提出了两种整体相似度的计算方法和相关的认证方法。实验中，对相似度优化后的匹配结果进行了分析，并对不同阈值情况下的认证结果进行了讨论。本文方法在公开数据库SUSIG Visual数据集和SUSIG Blind数据集分别进行了测试，得到了等误率为3.88%和2.31%的认证效果。