离线手写签名鉴定作为计算机视觉技术中的一个重要应用领域,在合同签署、票据签收和政务办公等领域中具有广泛的应用场景。手写签名作为一种生物特征,是一种常用的身份认证方法,具有完全的法律效力。因此,针对手写签名的自动化鉴定方法展开研究具有较高的实用价值。随着互联网的发展,无纸化办公也逐渐普及。无纸化办公可以有效地节约资源,提高办公效率。在这一过程中身份确认是必不可少的,而身份确认过程中会产生大量的用户签名图像,这些出现在互联网中的用户数据,容易被网络爬虫利用,并用于神经网络模型的训练。针对这些情况,本文提出了基于深度学习的离线签名鉴定算法,并对手写签名图像的隐私保护进行了相关研究。本文的主要工作包括:（1）将空洞卷积和注意力机制加入双通道神经网络中。本文利用5折交叉验证实验确定了空洞卷积的具体参数和位置。实验结果表明,空洞卷积可以显著提升模型的性能。本文使用通道注意力机制,对网络模型提取的笔迹特征赋予不同的权重。5折交叉验证的实验结果表明,注意力机制的加入对模型效果有明显提升。在最终的实验环节,将空洞卷积和注意力机制同时加入网络模型中,获得了超出基线模型的实验结果。（2）将三通道神经网络引入到离线签名鉴定领域。前两个通道为两张签名图像,第三个通道的数据为两张签名图像的差值图。5折交叉验证实验的结果证明了三通道神经网络的有效性。在最终实验环节,将空洞卷积和注意力机制加入三通道神经网络,发现空洞卷积的加入会降低模型准确率,而注意力机制的加入则会进一步提高模型准确率。（3）将图像缩放攻击引入到签名隐私保护领域。图像缩放是深度学习中必不可少的环节。采用图像缩放攻击算法对签名图像进行修改,使得经过修改后的签名图像,在缩放后会完全变成另一个指定的签名,可以保护使用者的签名隐私,保证签名图像不会被深度学习滥用。通过设置修改像素的最大范围,可以保证在人类视角中,签名图像改动较小。