随着数字时代的到来，人们日常生活信息交流日益增多，信息安全的必要性日益明显，人们生活中需要依靠身份识别技术来确保信息交流的安全性，社会对可靠、便捷的身份鉴别技术的需求正与日俱增。基于生物特征的身份识别克服了传统识别方法的大量缺陷而得到越来越广泛的应用。在线手写签名作为生物特征的一种，是生物识别技术的重要组成部分，目前得到了快速发展。　　本文提出了一种基于高斯混合模型的在线手写签名识别方法。首先，在基于高斯混合模型的在线手写签名识别方法中，为了克服在线手写签名不容易提取其有效签名特征的问题，本文使用小波包分解技术提取签名动态特征。此外，本文还提取了诸如签名总时间，横纵坐标轴方向的签名平均速度，方差等签名的全局特征，结合由小波包提取的局部特征更能全方位反映签名数据特性。在签名数据建模阶段，选择泛化能力很强的高斯混合模型。期望最大化算法是高斯混合模型最为高效的算法之一，但传统期望最大化算法在估计高斯混合模型参数时，存在估计精度对参数初始化的依赖以及高斯混合数不在模型学习之列的问题。由于贝叶斯阴阳机中的和谐函数理论能够在高斯混合模型的参数学习中自动选取最优的模型复杂度，相比于传统的期望最大化算法而言，基于贝叶斯阴阳机的学习算法能够取得更高的模型精度。　　本文研究一种基于贝叶斯阴阳机学习系统的改进型期望最大化算法，即基于类分裂的期望最大化算法，并将基于类分裂的期望最大化算法应用于在线手写签名识别中。实验表明，采用上述方法的在线手写签名识别取得了较好的实验识别效果。