برای بازشناسی نت نوشته موسیقی، دو رویکرد بازشناسی برخط و برون خط وجود دارد. در این پایان نامه، روش هایی برای بازشناسی برخط نت نوشته موسیقی ارائه شده است. ابتدا نرم افزاری برای جمع آوری برخط نت نوشته ها در محیط labview طراحی شد. سپس 24 نت نوشته اصلی موسیقی انتخاب و 55 نمونه دست خط از 30 نفر جمع آوری شد. با استفاده از سه دسته ویژگی جدید و تعدادی ویژگی شناخته شده در زمینه بازشناسی برخط دست نوشته، توصیف مناسبی از هر نت ارائه شده است. دو نوع درخت تصمیم برای بازشناسی معرفی می شود. درخت نوع اول ابتدا در چند مرحله تعدادی از کلاس ها را حذف و در مرحله نهایی الگوی ورودی و کلاس های منتخب را به فضای ویژگی نگاشت می کند. بر اساس فاصله اقلیدسی، الگوی ورودی به نزدیک ترین کلاس اختصاص داده می شود. درخت نوع دوم ابتدا الگوی ورودی و تمام کلاس ها را به فضای ویژگی نگاشت کرده و بر اساس فاصله آنها، تعدادی از کلاس های نزدیک به الگوی ورودی را برنده اعلام می کند. در مرحله بعد، فرایند جدیدی با نام گروه بندی و پاداش اعمال و تعدادی از کلاس ها از رقابت حذف می شوند. در ادامه با استفاده از سایر ویژگی ها برخی از کلاس ها حذف و الگوی ورودی به کلاس مشخصی اختصاص داده می شود. بسته به فضای ویژگی نگاشت در هر درخت، سه نوع طبقه بند پایه داریم. برای بهبود نتایج طبقه بندهای پایه از وزن دهی به ویژگی ها استفاده شده است. در مرحله ترکیب تصمیم، نتایج دو درخت به روش های گوناگون با هم ترکیب شده و نرخ بازشناسی افزایش یافته است. با معرفی توابع ساده خطی و نمایی، معیارهایی برای نمره دهی به کلاس های منتخب هر طبقه بند ارائه شده است. از میان مجموعه داده، 30 نمونه به عنوان داده های تمرین و 30 نمونه به عنوان داده های آزمون انتخاب شده اند. نرخ بازشناسی برای داده های آزمایشی، با استفاده از ترکیب ویژگی ها 89% بوده است. در نهایت سامانه ی وابسته به نویسنده بر اساس این دو درخت طراحی شده است. در این سامانه از فرد مورد نظر 10 نمونه دست خط جمع آوری شده که 2 نمونه نخست آن به عنوان داده های تمرین و 8 نمونه دیگر به عنوان داده های آزمون به سامانه اعمال شده؛ نرخ بازشناسی برای این سامانه 91% بوده است.