签名作为人类的一种独特行为特征，因可代表书写人的身份，一直以来在金融、安全等领域有着广泛的应用。随着计算机技术的发展，近二十年来，签名鉴定技术的自动化处理得到较多的研究。然而，现有的签名鉴定技术需要为每个用户采集大量伪造签名数据用于训练，这在实际中是很难做到的。本文提出并实现一种结合先验知识的、无伪造签名训练数据的系统模型。 本文首先改进并实现一套针对签名扫描图像特点的预处理方法，包括局部对比度增强、自适应二值化、膨胀运算、连接运算等操作，提取出二值化签名掩模，进而从原扫描图像抽取灰度签名轨迹。实验表明该方法能满足后续特征提取的要求。 本文选择全局和局部两种尺度上的四种具有互补性的特征：刻画签名形状特点的全局特征、网格灰度特征，以及描述签名轨迹的伪动态特性的纹理特征、强力道区域特征。实验基础上，本文从全局特征集、纹理特征集中选取分类能力强的特征分量集；并改进网格的选取方案，采用基于像素投影直方图的自适应网格划分，以处理用户签名的多变性。实验表明改进是有效的。 本文基于Boosting算法，实现一种用户相关的组合分类器。它能有效结合多分类器融合的并行综合以及串行综合方案的优点，融合四种特征分类器的识别结果。因Boosting算法理论上可提升任何一种弱学习算法，故我们采用简单的最近邻分类器为子分类器。 本文从实用的角度出发，提出一种结合先验知识的、无简单伪造训练样本的系统模型。本文假设各用户的签名特征空间具有一定相似性。在系统训练阶段，利用第一数据集，建立起当训练集中包含简单伪造前后的组合分类器参数的映射关系。在系统使用阶段，对每个用户，其训练集中包含该用户的真实签名，并抽取系统中已有用户的真实签名作为随机伪造，训练组合分类器。进而利用系统训练阶段获取的映射关系，推导出当训练集中包含简单伪造时的组合分类器模型，进行分类。在此意义上，本系统在使用阶段，对每个用户的训练只需单独输入该用户的真实签名。 本文最后给出具体实验结果，表明本系统具有较好的应用价值。