امروزه مسأله تأیید هویت به یکی از مهم ترین بخش های زندگی بشر تبدیل شده است. با ظهور دانش بیومتریک روش های متداول تأیید هویت دچار دگرگونی شده و در حال جایگزینی با روش های بر پایه علائم حیاتی می باشند. سیستم های بیومتریکی مبتنی بر تصاویر چهره و یا سیگنال گفتار عملکرد موثری در این زمینه از خود نشان داده اند ولی کیفیت عملکرد آن ها به سادگی با به وجود آمدن عدم تطابق میان شرایط آموزش و آزمایش به مخاطره می افتد. سیستم های تأیید هویت بیومتریکی چندگانه به علت استفاده از چندین خصیصه بیومتریکی و تأثیر پذیری کمتر از شرایط جانبی بسیار مقاوم ترند. در این پژوهش با درنظر گرفتن بیومتریک های تصویر چهره و سیگنال گفتار به بررسی روش های مختلف انتخاب و ادغام طبقه بندی کننده ها در قالب یک سیستم بیومتریکی چندگانه می پردازیم. در سیستم بیومتریکی مبتنی بر سیگنال گفتار روش های mfcc و rasta-plp به منظور استخراج ویژگی و از طبقه بندی کننده های کدینگ منبع و مدل سازی با استفاده از مخلوط گوسی ها برای تصمیم گیری استفاده شده است. همچنین در سیستم تأیید چهره با استفاده از روش های استخراج ویژگی مبتنی بر ظاهر pca و lda ویژگی های تصاویر استخراج شده و با استفاده از طبقه بندی کننده های مبتنی بر معیارهای شباهت سنجی در مورد هویت مورد ادعا تصمیم گیری می شود. به منظور بهبود عملکرد سیستم تأیید هویت، ادغام در دو سطح امتیاز و تصمیم گیری مورد بررسی قرار گرفته و همچنین امکان به کارگیری روش های انتخاب جستجوی ترتیبی و الگوریتم بهینه سازی انبوه ذرات در کنار روش های ادغام ماشین بردار پشتیبان و متوسط گیری وزن دار مورد مطالعه قرار گرفت. نتایج آزمایش های ما بر روی پایگاه داده banca بیانگر این موضوع است که با ترکیب الگوریتم بهینه سازی انبوه ذرات و روش ادغام ماشین بردار پشتیبان عملکرد سیستم نسبت به سایر روش ها به نحو چشم گیری بهبود می یابد.