Orientador: Lee Luan LingTese (doutorado) - Universidade Estadual de Campinas, Faculdade de Engenharia Eletrica e de ComputaçãoResumo: Neste trabalho apresentamos um estudo estatístico sobre seleção de variáveis e classificação de objetos em relação a dois padrões. Descrevemos alguns métodos de classificação conhecidos na literatura, construídos com base nas observações dos dois padrões. Dentre eles destacamos a classificação via Análise Discriminante e Modelos de Regressão Logística. Mais resumidamente descrevemos o Classificador de Bayes e um outro classificador, baseado nas observações de apenas um padrão fixado, que utiliza uma aproximação da distância de um objeto ao centro da distribuição normal, pela distribuição Qui-quadrado. Introduzimos um novo classificador, baseado apenas nas observações de um padrão fixado, que utiliza uma aproximação da distância de Mahalanobis de um objeto ao centro da distribuição normal, pela distribuição 'T POT. 2' de Hotelling. Comparamos seu desempenho, através de um estudo de simulação, com os demais classificadores em termos de taxa de classificação errônea. Descrevemos também alguns métodos de seleção de características significantes com base nos respectivos classificadores, além de outros métodos de seleção conhecidos na literatura, construídos com base nas observações apenas de um padrão fixado. Introduzimos um novo método de seleção com base no novo classificador. Um estudo de simulação para comparar o desempenho dos métodos de seleção apresentados foi realizado, onde o processo de classificação utiliza apenas as características significantesAbstract: In this work, we describe and compile statistical classification methods about feature selection and object recognition for the case of two pattern classification. First of all, we describe some well-known statistical classification methods when observed samples of both patterns are avaliable. We provide some special attention to the description of the Discriminant Analysis and the Logistic Regression Models. A brief description of the Bayes classification method is provided. We also analyse the case when only one pattern is observable. In this case, the distance measure between the input feature vector and reference vector is assumed to have Qui-squared distribution. We also introduce a novel statistical classification method for the one-pattern observable case, by considering the distance measure as being the 'T POT. 2' Hotelling distribution. Performance comparison in terms of misclassification error is done via simulation. Next, we describe some, well-known, selection methods in the literature and suggest some feature selection strategies based on the classification methods previously described. Simulation investigation is performed to evaluate the classification methods using only significant selected features in terms of misclassification error. Finally, we apply the proposed feature selection and classification methods to signature verification problems, involving both static and dynamic human signaturesDoutoradoTitulaçao: Doutor em Engenharia Eletrica