联机手写识别已有数十年的发展历史,而联机手写识别的效果总是不尽如人意。但是,随着近年来智能手机和平板电脑等采用纯触摸屏交互方式的电子产品的崛起、MEMS技术和图形处理技术的发展,手写输入受到越来越多用户的青睐,同时,空间手写、姿态识别、签名验证、数学公式识别、化学符号识别等新研究和应用领域的出现,使得联机手写识别的研究受到越来越多的关注。支持向量机(Support Vector Machine, SVM)作为近十几年来迅速发展的新一代模式识别算法,它以统计学习理论、核函数理论和泛化性理论为基础,采用结构风险最小化(Structural Risk Minimization, SRM)原则计算最优分类超平面,与其它模式识别算法相比,有着更加坚实的理论基础。在语音识别、基因检测、手写识别等模式领域和状态预测、曲线拟合等相关领域,SVM有很多的研究和应用,取得了不俗的成果。本文研究了基于SVM的联机手写识别分类器设计中应用最成功的核函数——高斯动态时间规整(Gaussian Dynamic Time Warping, GDTW)核函数——和它的两个不足之处：它是针对语音识别等多种模式识别领域提出的,应用于联机手写识别的性能与其它模式识别算法相比,优势并不明显；计算复杂度高,使得联机手写识别的运算时间较长。针对上述两个问题,本文研究了联机手写识别中特征向量的特点,提出了优化GDTW核函数的方法,并探索不同对齐路径长度计算方式对识别效果的影响。为了证明所提方法的有效性,本文设计了基于优化GDTW核函数的SVM联机手写识别分类器,而且使用样本质量较高的联机手写识别数据库UJIpenchars2和样本质量较差的联机手写识别数据库UNIPEN进行联机手写识别实验。实验结果表明,本文所提出的方法有效地减少了SVM的支持向量的数目,提高了识别效率。