El modelo generativo y el modelo discriminativo son las dos categorías de modelos estadísticos utilizados en áreas biométricas de pulsaciones de teclas. Los modelos generativos tienen la característica de manejar datos faltantes o irregulares, y funcionan bien para datos de entrenamiento limitados. Los modelos discriminativos son rápidos en hacer predicciones para nuevos datos, lo que resulta en una clasificación más rápida de nuevos datos en comparación con los modelos generativos. En un intento de construir un modelo eficiente para la identificación de usuarios biométricos de pulsaciones de teclas, este estudio propone un método híbrido POHMM/SVM que aprovecha tanto los modelos generativos como los discriminativos. El modelo de modelo oculto parcialmente observable (POHMM) es una extensión del modelo oculto de Markov (HMM), que ha mostrado un rendimiento prometedor en la verificación de usuarios y en el manejo de datos faltantes o poco frecuentes. Por otro lado, la máquina de vectores de soporte (SVM) ha sido un modelo discriminativo ampliamente utilizado en sistemas biométricos de pulsaciones de teclas durante la última década y ha logrado una tasa de precisión más alta para conjuntos de datos grandes. En el modelo propuesto, las características se extraen utilizando el modelo POHMM, y se utiliza una máquina de vectores de soporte de una sola clase como detector de anomalías. Para la identificación de usuarios, el estudio examina los parámetros de POHMM utilizando cinco clasificadores discriminativos diferentes: máquinas de vectores de soporte, vecinos más cercanos, bosques aleatorios, redes neuronales de perceptrón multicapa (MLP) y regresión logística. La mejor precisión del 91.3% (media 0.868, DE 0.132) se logra mediante el enfoque híbrido propuesto de POHMM/SVM entre todos los modelos generativos y discriminativos.