对于现代人而言,电子商务和远程访问银行已经不止是一种概念了,而已经逐渐成为了人们生活中的一部分。为了保护个人信息和利益,在这些交易中往往需要密码的保护。但是传统的基于经验或记忆的密码常常容易被忘记,盗取或者复制。相比较而言,另外一种基于生物学特征的密码或访问令牌能够更大程度地保护终端用户的使用安全,同时也使交易更加简便,因此将其用于确保交易安全的身份验证方法的会有很好的应用前景。而手写签名识别就属于其中的一种。在线手写签名验证方法提取了包含该签名空间和瞬时特性的特征。一组真实签名的统计特性通过训练用来构建测试后续被测签名的模板。由于每个人的签名都是唯一的,使得签名在识别方面非常有用,尤其是在签名的静态字体之外再加上其动态特性。因为尽管一个熟练的伪造者能够准确地模仿签名的字体,却很难同时模仿出其动态特性。目前常用的在线签名识别方法有动态时间规整、隐马尔科夫模型、模糊逻辑推理、神经网络等。其中隐马尔可夫模型算法的结果是最好的。然而,同样是统计学模型的高斯混合模型虽然常用于语音识别,并取得了很好的效果,却很少有将其用于手写签名识别的相关研究。本文采用了一种用基于贝叶斯阴阳机的高斯混合模型算法来对用户的签名进行建模。近年来,该理论被逐渐应用于监督学习和回归,不仅使现有的用于多层网络、专家混合和基于径向基函数的网络的方法统一为该理论的一些特例,并得出了一些新的理解和学习算法,还为隐含单元和专家数目的选择得到了新的选择标准。经过最近几年的发展和完善,这一理论还被进一步作为学习时序分析的概论进行阐释,不仅得到了隐马尔科夫模型和基于线性状态空间的卡尔曼滤波器等特例,还得到了几个时域学习模型和算法。贝叶斯阴阳机思想主要是基于中国古代“万物皆有阴阳”这一哲学理论。为此,该理论提出了一个阴阳和谐度量函数。通过对这一函数的不断迭代优化,可以使阴阳所代表的两个方面达到最优匹配。由此,让阴和阳分别代表高斯混合模型中的表示域和观测域,则可以通过建立和谐度量函数来学习模型中的参数。基于这一理论,本文创造性地将基于贝叶斯阴阳机的混合模型用于手写在线签名的识别。由于贝叶斯阴阳机中的和谐函数理论能够在高斯混合模型的参数学习中自动选取最优的模型复杂度,相比于传统的最大期望算法而言,基于贝叶斯阴阳机的学习算法能够取得更高的模型精度。而后续的实验也证明了在在线手写签名识别中,这种方法能够得到比常用的识别方法更高的识别率。