چکیده: در این تحقیق روشی نو برای تعیین هویت نویسنده بر اساس متن دستنویس فارسی بصورت برون خط و مستقل از متن بر مبنای اختلاط خبره ها ارائه شده است. در روش پیشنهادی از فیلتر های گابور، سوبل و روبرتز برای استخراج ویژگی استفاده شده است. سپس با استفاده از روش تجزیه و تحلیل مولفه های اصلی ، PCA، و با کمک الگوریتم نزدیکترین همسایه کاهش ویژگی انجام گرفته است. برای ارزیابی دقت تشخیص به کمک ویژگی های استخراج شده ازسه شبکه عصبیMLP جهت دسته بندی استفاده شده است که خروجی آنها را با هم ترکیب کرده ایم. هر کدام از این شبکه ها برای متفاوت شدن در خطا بر روی یک مجموعه از ویژگی ها آموزش داده شده اند، و سپس در سه آزمایش نخست در این تحقیق به هر کدام از شبکه ها یک وزن داده شده است و در نهایت خروجی شبکه ها با هم ترکیب گردیده است.که در آزمایش اول به نظر هر کدام از طبقه بندهای پایه وزن یکسان داده شده است، در آزمایش دوم وزن ها بر اساس میزان دقت هر طبقه بند تعیین گردیده است، در آزمایش سوم وزنهای هر یک از شبکه ها توسط الگوریتم PSO به منظور کمینه شدن خطا در مرحله آموزش تعیین گردیده است و در آزمایش چهارم در این تحقیق به هر کدام از نرونهای خروجی هر کدام از شبکه های عصبی وزن داده شده است که این وزن ها با استفاده از الگوریتم PSO همانند آزمایش سوم تعیین گردیده است. جهت آموزش شبکه عصبی از گرادیان نزولی و روش پس انتشار خطا استفاده شده است. نتایج نشان دهنده دقت هویت نویسنده از دستخط فارسی به ترتیب 97.42٪ ٰ،97.75٪،97.59٪ و 98.17٪ می باشد که دقت بالایی در زمینه تعیین هویت نویسنده می-باشد. و همچنین از نظر زمان آموزش شبکه مرکب به ترتیب برای آزمایش اول تا چهارم مقادیر 2450.54 ،2450.54 ،2562.04 و2594.59 ثانیه بعد از کاهش ویژگی حاصل گردیده است که نسبت به زمان به دست آمده قبل از کاهش ویژگی به ترتیب 695.46 ،695.46 ، 683.1 و 654.22 ثانیه زمان آموزش شبکه مرکب کاهش یافته است که زمان قابل توجهی می باشد.