This paper presents two approaches for static signature recognition using Support Vector Machines (SVM): pure SVM and SVM integrated with a multilayer perceptron Artificial Neural Network (SVM/ANN) to map the results of the SVM. Feature extraction as a pattern construction method was adopted. Best results were obtained with the 1-v-r multivaluated classification method. The rate of correctly identified signers was similar for both architectures. A practical advantage of SVM/ANN architecture was decreasing the error of confusing the actual signer with another one: when the model misclassified a signer, instead of classifying it as a wrong signer, the proposed architecture recognized it as unknown.En este trabajo se evaluó el funcionamiento de las Máquinas de Vectores de Soporte (MVS) en el reconocimiento de firmas estáticas, con el uso de la extracción de características como método de construcción de patrones. Se utilizaron dos arquitecturas diferentes: MVS puras y MVS integradas con una Red Neuronal Artificial perceptrónica multicapa (MVS/RNA) para interpretar los resultados de las MVS. Los mejores resultados se observaron con el enfoque de clasificación multivaluada 1-v-r. En ambas arquitecturas se obtuvo una tasa de aciertos similar. La ventaja práctica de usar la MVS/RNA consistió en disminuir el error de confundir un firmante con otro: cuando el modelo clasifica erróneamente a un firmante, en lugar de reconocerlo como uno distinto, lo clasifica como desconocido.