手写签名认证是利用个人书写过程所特有的规律来进行身份认证的一种生物行为特征认证方法,其作为一种公认的身份认证技术,具有方便、可靠以及容易为人们所接受等特点,在金融、证券、电子商务以及电子政务等领域得到了广泛的应用,具有重要的研究价值。在当前主流的手写签名认证方法中:弹性匹配方法速度比较快,但识别率不高;HMM方法识别率较高,但是它只考虑正训练样本的作用,而未考虑负训练样本的影响,从而很大程度上限制了HMM的鉴别能力;神经网络方法虽然可以根据有代表性的样本进行自我学习,鲁棒性和自适应性较好,但是因其网络隐节点数不好确定导致其结构的确定比较困难;SVM方法可以获得较高的识别率,但是其存在混迭交叉而无法进行准确地判决而存在一定的限制。以上方法中,HMM和SVM应用较多。HMM模型比较适合于处理连续信号,但是它需要大量的训练数据来估计概率分布,而SVM只需少量的训练样本就能够得到较好的分类效果。因此,如果充分利用HMM方法具有的较好建模能力以及SVM具有较强的分类能力,无需太多的训练样本即可得到较好的认证效果。目前HMM-SVM混合模型在人脸识别、说话人确认等领域都得到了验证,并且获得了一定效果,但是大部分HMM-SVM混合模型是将SVM的输出转化为概率,并作为HMM中各个隐状态的输出概率,这样对于HMM中的每个状态必然对应于一个SVM,此时如果状态数比较多的话,势必造成训练速度变慢,而且当正样本与负样本数据之前存在混迭现象时,特别是对于大样本特征数据,SVM不能准确地对其进行鉴别。本文将HMM-SVM+SIGMOID混合模型用于手写签名认证,通过HMM对大样本特征数据进行压缩,将经过压缩后的多维概率矢量作为SVM的输入,并且针对样本混迭时,SVM无法做出准确判决这个问题,通过引入SIGMOID函数对分类结果采用概率的方式输出,有效地解决了样本混迭带来的不确定性,进一步提高了签名认证的性能。最后本文在Microsoft Visual C++ 6.0开发平台上使用SVC2004数据库中的签名数据对该方法进行验证和分析,结果表明,相对于HMM模型和SVM方法以及HMM-SVM混合模型,改进后的HMM-SVM混合模型可以有效地降低等错误率ERR,获得了比较好的效果。