چکیده: هدف از این پایان نامه ارئه روشی جدید برای تأیید امضاء بر خط با استفاده از بانک فیلتری طراحی شده برای استخراج ویژگی و استفاده از شبکه عصبی و ماشین بردار پشتیبان برای طبقه بندی است. وظیفه یک سیستم تأیید امضاء، پذیرفتن امضاء اصلی و رد امضاء جعلی می باشد. با توجه به اینکه تأیید امضاء برخط از امضاءهایی در ورودی استفاده می کند که توسط صفحه-های حساس به فشار بدست می آیند، این نوع صفحه ها ویژگی های پویای امضاء را بعلاوه شکل آن استخراج می کنند که باعث می شوند جعل امضاء مشکل تر شود و در نتیجه، تأیید امضاء بر خط قابل اعتماد تر از تأیید امضاء برون خط می باشد. از هر امضاء مختصات x(t)و y(t) آن استخراج می شود، سپس عملیات پیش پردازش از قبیل: هم طول کردن مختصات x(t) و y(t)، نرمالیزه کردن اندازه و مکان قرار گیری روی هر یک از امضاء ها انجام می گیرد. در مرحله یادگیری، با استفاده از بانک فیلتری طراحی شده، که مختص سیگنال های امضاء می باشد، ویژگی های مهم سیگنال امضاء استخراج، بردار ویژگی هر امضاء ایجاد می شود. از میان امضاءهای اصلی هر شخص، تعداد 10 امضاء بصورت تصادفی به عنوان مجموعه مرجع و یک امضاء که کمترین فاصله با بقیه دارد به عنوان امضاء الگو انتخاب می شود. سپس برای هر امضاء تست مقادیر ماکزیمم فاصله و مینیمم فاصله تا مجموعه امضاهای مرجع و فاصله تا امضاء الگو مربوطه محاسبه می شود. این سه مقدار نرمالیزه شده و در یک بردار ذخیره می شود. به این سه مقدار یک ویژگی دیگر که زمان انجام هر امضاء است اضافه می کنیم. این بردار را به ورودی طبقه بند مورد استفاده اعمال شده و در مورد اصلی یا جعلی بودن امضاء تست تصمیم گیری می شود. از دو طبقه بند ماشین بردار پشتیبان و شبکه عصبی استفاده کرده و نتایج را با هم مقایسه می کنیم. در انتها، نرخ درستی الگوریتم پیشنهادی برای هر مجموعه امضاء تست ارزیابی می شود. ما در این پایان نامه از دو پایگاه داده SVC2004 و یک پایگاه داده ایرانی برای ارزیابی الگوریتم پیشنهادی استفاده می کنیم. نرخ درستی الگوریتم پیشنهادی برای پایگاه داده SVC2004 و پایگاه داده ایرانی، به ترتیب، 97% و 97.2% می باشد.