笔迹鉴别是通过分析手写笔迹的书写风格来判断手写人身份的一门技术。随着应用领域的不断扩展，笔迹鉴别技术已成为计算机视觉和模式识别领域一个十分活跃的研究课题。本文研究目的主要是为计算机笔迹鉴别中涉及到的各种主要算法和技术进行有效性分析和实现，为计算机笔迹鉴别系统的实现提供技术支持，推动笔迹鉴别自动化的进程。主要研究内容如下： 1)研究了笔迹图像预处理方法，主要包括对鉴别图像进行平滑去噪、二值化、倾斜校正、行字切割、归一化以及细化等。本文给出一整套笔迹预处理算法，实验中取得了良好效果。 2)根据人对物体形状的整体感觉，提出了一种笔迹鉴别的形状特征法，利用矩表示字符的形状特征并采用修正的街区距离来对特征字进行匹配。针对不同阶次和不同目标的矩动态范围变化大导致不利于匹配的问题，提出了矩特征的归一化方法。实验表明该方法具有对字符大小、位置和笔划厚度的不变性，因而很适合文本相关的笔迹鉴别。本文还提出了利用改进的Hilditch细化算法提取端点、三交叉点和拐点等特征点，进行笔迹鉴别的方法。这种方法不仅对特征字能有效的进行骨架提取并且能提高算法速度。 3)将笔迹视为纹理图像，利用纹理分析的方法提取其纹理特征是目前笔迹鉴别研究的热点。本文讨论了纹理分析的基本知识和常用方法，提出了一种基于Gabor滤波器的笔迹鉴别算法。该算法与文本内容无关，避免了对笔迹文字进行分割的操作，符合笔迹鉴别的习惯。该算法可提取表示每一个通道的书写人笔迹风格的特征向量——均值和方差，它们表征每个通道笔迹图像纹理特征的重要信息。小波变换是一种纹理分析方法，它具有良好的时频局部化、尺度变换和方向特征，更类似于人类视觉系统，已成为纹理分析的一个有力的工具。本文用Haar小波对笔迹图像进行多分辨率分析，用小波系数来表征笔迹图像的特征向量，文中定义了24维的特征向量进行笔迹鉴别，达到了较好的效果。另外，本文讨论了一种基于小波包最好基的特征提取方法，该方法在二维空间上由Haar小波包基对笔迹纹理实施3尺度小波包分解，在由香农熵为代价函数提取到的12个小波包最好基处对分解系数实行重构，用重构系数作为鉴别的特征，实验证明这种办法具有纹理自适应匹配的能力。进一步，我们提出了一种基于多进制小波分析的笔迹鉴别的构想。 4)综合多种特征进行决策级的信息融合，进一步提高了笔迹鉴别的精度。指出实用的笔迹鉴别系统需要文检专家的参与和最终判决。 最后为了正确评价算法和特征的有效性，本文利用VisualC++6.0与Matlab编程工具实现。