签名鉴别是一种,新兴的基于生物特征的身份识别技术,由于其方便、可靠、从笔迹中提取信息不侵犯隐私而被人们普遍接受,在商务、金融、司法、保险等众多领域中有着广泛的应用,因此深入研究离线状态下利用计算机对手写签名进行鉴别具有重要的理论意义和巨大的实用价值。本文首先介绍了课题的研究背景及意义,简述了签名鉴别技术的概况,总结了国内外在该领域的研究进展和成果,分析了离线签名鉴别研究存在的问题,然后以签名图像为研究对象,深入探究了离线签名识别中的预处理、特征提取和选择及分类识别技术。通过对签名图像进行平滑、二值化、细化、空白边缘去除、轮廓提取等预处理操作,提取了签名的形状特征和伪动态特征等共56维特征。形状特征包括签名的几何特征和矩特征；伪动态特征方面,提取了高密区域、灰度级直方图、灰度重心、签名骨架方向灰度和笔画宽度直方图等5组41维特征。在分类识别技术研究中,采用了加权欧式距离和k近邻(KNN)分类方法对签名样本进行识别。在KNN算法中,我们研究了k值的选取对分类结果好坏的影响。针对KNN算法的不足,本文提出了两种改进的KNN签名分类算法：基于特征向量投影的KNN (VPKNN)和基于学习模型的KNN (LMKNN)。VPKNN能快速且准确地选取很小的训练样本集,大大提高了算法效率。LMKNN算法克服了基本KNN算法中的惰性学习和k值依赖的缺陷。实验结果表明,两种改进的KNN分类算法在保证正确识别率和误拒率(FRR)的同时,提高了KNN的识别效率。