| 摘要 | 第1-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第6-15页 |
| §1.1 背景介绍 | 第6-9页 |
| §1.1.1 问题的提出 | 第6页 |
| §1.1.2 生物特征识别技术 | 第6-8页 |
| §1.1.3 签名鉴别概述 | 第8-9页 |
| §1.2 脱机签名识别的意义 | 第9页 |
| §1.3 脱机签名识别系统概述 | 第9-12页 |
| §1.3.1 脱机签名识别系统构成 | 第9-10页 |
| §1.3.2 系统各部分简介 | 第10-12页 |
| §1.4 国内外发展现状 | 第12-13页 |
| §1.5 课题研究内容及论文组织 | 第13-15页 |
| 第二章 数据采集与预处理 | 第15-25页 |
| §2.1 数据采集 | 第15页 |
| §2.2 签名图象预处理 | 第15-24页 |
| §2.2.1 签名图象表示、描述与签名图象预处理 | 第15-17页 |
| §2.2.2 灰度滤波 | 第17-18页 |
| §2.2.3 获取归一化的二值签名 | 第18-21页 |
| §2.2.4 获取归一化的灰度签名 | 第21-22页 |
| §2.2.5 获取归一化的二值骨架签名和灰度骨架签名 | 第22-23页 |
| §2.2.6 预处理结果 | 第23-24页 |
| §2.3 小结 | 第24-25页 |
| 第三章 特征提取与选择 | 第25-36页 |
| §3.1 签名图象特征分类 | 第25-26页 |
| §3.2 签名图象特征提取 | 第26-34页 |
| §3.2.1 伪动态特征 | 第26-27页 |
| §3.2.2 形状特征 | 第27-32页 |
| §3.2.3 纹理特征 | 第32-33页 |
| §3.2.4 网格特征 | 第33-34页 |
| §3.3 签名图象特征选择 | 第34-35页 |
| §3.4 小结 | 第35-36页 |
| 第四章 基于模型和证据理论的K近邻分类方法 | 第36-47页 |
| §4.1 证据理论基础 | 第36-38页 |
| §4.1.1 识别框架 | 第36页 |
| §4.1.2 基本可信任度分配与信任函数 | 第36-37页 |
| §4.1.3 证据理论的合成公式 | 第37-38页 |
| §4.2 基于模型和证据理论的K近邻分类算法 | 第38-44页 |
| §4.2.1 基于模型的K近邻分类算法 | 第39页 |
| §4.2.2 基于证据理论的K近邻分类算法 | 第39-40页 |
| §4.2.3 基于模型和证据理论的K近邻分类算法设计 | 第40-44页 |
| §4.3 脱机签名识别实验 | 第44-46页 |
| §4.3.1 实验设计 | 第44页 |
| §4.3.2 实验结果与性能分析 | 第44-46页 |
| §4.4 小结 | 第46-47页 |
| 第五章 基于神经网络和证据理论的脱机签名识别 | 第47-53页 |
| §5.1 人工神经网络基础 | 第47-50页 |
| §5.1.1 人工神经元 | 第47-48页 |
| §5.1.2 神经网络结构及类型 | 第48-49页 |
| §5.1.3 BP神经网络 | 第49-50页 |
| §5.2 基于神经网络和证据理论的脱机签名识别 | 第50-51页 |
| §5.2.1 BP神经网络分类器的设计 | 第50-51页 |
| §5.2.2 基于证据理论融合的脱机签名识别 | 第51页 |
| §5.3 实验结果与性能比较 | 第51-52页 |
| §5.4 小结 | 第52-53页 |
| 第六章 结论与展望 | 第53-55页 |
| §6.1 结论 | 第53-54页 |
| §6.2 下一步的工作 | 第54-55页 |
| 致谢 | 第55-56页 |
| 参考文献 | 第56-60页 |
| 附录A：本文作者硕士期间发表论文情况 | 第60页 |