چکیده: امروزه‌ استفاده‌ از‌ویژگی های‌زیستی‌ برای‌ تأیید‌ هویت‌ افراد‌ در‌حال‌ افزایش‌ است.‌از‌جمله‌ معروف ترین‌خواص‌زیستی‌که‌در‌این‌زمینه‌به‌کار‌برده‌ می‌شود،‌م یتوان به‌ اثرانگشت،‌عنبیه، شبکیه، چهره، صوت‌و امضاء‌اشاره‌کرد.‌در‌نظام‌ اداری،‌بخشهای‌ زیادی‌به‌ ویژه‌ در‌زمینه های‌ اقتصادی‌و‌تجاری‌مانند‌بانکها،‌مؤسسات‌و‌سازمانها،‌خواهان‌روشهایی‌برای‌تعیین‌هویت‌افراد‌ هستند.‌یکی‌از‌این‌ابزارها‌که‌به‌علت‌سادگی‌و‌داشتن‌هزینه‌کم‌گستردگی‌فراوانی‌دارد،‌امضاء‌ میباشد.‌اما‌امضای‌افراد‌در‌معرض‌جعل‌توسط‌دیگران‌قرار‌دارد.‌بنابراین یافتن‌روشی‌کارا‌برای‌ بازشناسی‌امضاءهای‌اصلی‌از‌امضاءهای‌جعلی، لازم‌ و‌ مفید‌ می نماید. تأیید امضاء ‌بصورت ‌خودکار می تواند از لحاظ نحوه دریافت داده ها به دو گروه برخط و برونخط تقسیم گردد. در‌روش‌ بر‌خط‌ به‌کمک‌ یک‌ صفحه‌ و‌ یک‌ قلم‌ الکترونیکی‌ متصل‌ به‌ کامپیوتر،‌اطلاعات‌ امضاء‌ و‌ اطلاعات‌ مشخصه‌های‌ دینامیکی‌ آن‌ از‌قبیل‌ فشار‌ و‌ سرعت‌ و...‌‌به‌ دست‌می آید.‌در‌حالی که‌ در‌روش‌ برونخط،‌ اطلاعات‌هنگامی‌ جمع‌آوری‌ می شود که‌ عمل‌ نوشتن امضاء‌تمام‌شده‌باشد.‌ سپس‌در‌زمانی‌دیگر‌ امضای‌ نوشته‌ شده، توسط‌ یک‌ اسکنر به‌تصاویر‌ دیجیتال ‌تبدیل ‌می شود. در ‌این ‌صورت ‌ویژگیهای ‌استخراج ‌شده، ‌ایستاخوانده ‌ میشوند. سیستمهای‌ برونخط کاربردی‌تر‌ میباشند‌ و‌ نسبت‌ به‌ سیستمهای‌ بر‌خط، در‌بسیاری‌ از‌ نقاط‌ دنیا‌به‌عنوان‌سیستمهایی‌با‌دسترسی‌ساده تر‌مورد‌استفاده‌قرار‌میگیرند.‌هر‌چند‌به‌دلیل‌عدم‌ وجود‌اطلاعات‌دینامیکی‌نسبت‌به‌سیستمهای‌برخط‌،مشکل‌تر‌فرض میشوند. در‌این‌پایان‌نامه سیستم برونخط مبنای‌کار‌ ما‌میباشد.‌ابتدا‌برای‌پیش‌پردازش،‌فضای‌سفید اضافی ‌تصویر ‌اسکن ‌شدهی امضاء، حذف ‌میشود و ‌سپس ‌با ‌ایجاد ‌ناحیه ‌بندی ‌خاص ‌بر ‌روی‌ تصاویر،‌ویژگیهای‌محلی‌جدیدی‌را‌بر‌مبنای‌تقسیم‌بندی‌شبکهای استخراج‌مینماییم.‌در‌ادامه‌ زیرمجموعهای بهینه‌از‌این‌ویژگیها به‌کمک‌الگوریتم‌رقابت‌استعماری‌ (ACI) انتخاب‌میشود‌. در‌مرحله‌طبقه‌بندی‌برای‌هر‌کاربر‌از‌یک‌شبکه‌عصبی مصنوعی‌ (IAA) مجزا‌استفاده‌میشود که‌برای‌فاز‌آموزش‌ 27 امضای‌آن‌کاربر‌را‌در‌نظر‌میگیریم.‌برای‌ارزیابی‌ 27 امضای‌باقیمانده‌ هر‌ فرد‌به‌شبکه‌عصبی آموزش‌دیده‌متناظر‌با‌آن‌کاربر‌داده‌میشود و‌تصمیم‌گیری‌در‌مورد‌تأیید یا‌رد‌امضاء‌انجام‌میگردد‌.در‌انتها‌نیز‌نتایج‌به‌دست‌آمده‌با‌کارهای‌مشابه‌مقایسه‌میشود. ما ‌در ‌این ‌پایان ‌نامه از ‌پایگاه ‌داده ‌ GPDS333GRAY برای ‌ارزیابی ‌الگوریتم ‌پیشنهادی‌ استفاده ‌میکنیم. ‌نرخ ‌خطای ‌برابر‌ (EEE) الگوریتم ‌پیشنهادی ‌برای ‌این ‌پایگاه ‌داده ‌69.6 میباشد‌. نتایج‌تجربی‌نشان‌میدهد‌ که‌ الگوریتم‌ پیشنهادی‌ در‌مقایسه‌ با‌ روشهای‌ ارائه‌شده‌ از‌دقت‌ قابل‌قبولی‌برخوردار‌است‌.