针对小样本条件的支持向量机，由于其在很大程度上解决了过学习、非线性和维数灾难等传统分类器难以克服的难题，因而在模式识别领域得到了越来越广泛的应用。模型参数的选择对支持向量机的最终分类结果具有重要影响，然而目前常用的参数优化方法都在不同程度上均陷入了局部最优解问题。笔迹鉴别是模式识别的重要应用领域，笔迹鉴别的特征提取对鉴别结果具有重要影响，如何通过特征融合技术使特征向量更加有效地表征不同笔迹，是值得研究的问题。本课题围绕上述问题，重点研究了基于人工蜂群算法的支持向量机参数优化方法和基于主成分分析的笔迹特征提取方法并通过笔迹鉴别实验分别验证了上述两种方法的有效性。本文的研究内容和成果主要体现在以下两个方面：　　为解决常用的支持向量机参数优化方法在寻优过程不同程度的陷入局部最优解的问题，提出一种基于人工蜂群算法的支持向量机参数优化方法。将支持向量机的惩罚因子和核函数参数作为食物源位置，分类正确率作为适应度，利用人工蜂群算法寻找适应度最高的食物源位置。通过4个标准UCI数据集，与遗传算法、蚁群算法、标准粒子群算法优化的支持向量机进行对比分析，实验证明本文方法能克服局部最优解，获得更高的分类正确率，并在小数目分类问题上有效降低运行时间。　　目前笔迹鉴别的特征提取方法很多，能够在特定约束条件下取得较好效果，但是特征融合领域仍需要更加深入的研究。本课题分别编程实现了笔迹图像的Gabor特征，小波系数矩阵均值和方差特征、小波能量特征作为笔迹全局特征，提取单字的不变矩作为笔迹局部特征。针对每种笔迹特征，利用人工蜂群算法、遗传算法、蚁群算法、标准粒子群算法优化的支持向量机进行对比分析，证明基于人工蜂群算法优化的支持向量机在笔迹鉴别领域的优越性；同时，对比四种笔迹特征在人工蜂群算法优化的支持向量机下的分类结果，分析各种笔迹特征的优点与不足。在此基础上，将得到的所有特征共100维进行线性组合。利用主成分分析方法对原始特征组成的100维特征向量进行特征融合，利用人工蜂群算法优化的支持向量机作为分类器对融合特征进行分类识别。通过150份实际笔迹图像测试证明，基于主成分分析的特征融合方法能够有效减少特征分类的运算量和运行时间。