生物特征被广泛应用在安全领域,离线手写签名由于具有非侵入性、容易获取等优点,因此一直在生物特征安全认证中有着重要的作用。时至今日,离线手写签名鉴别仍然是计算机视觉领域的热点问题。但是过往的方法或多或少存在着一些问题和不足,因此本文为解决离线手写签名鉴别问题提出了新的解决方案。离线手写体签名鉴别问题是一个经典的模式识别分类问题,同其他分类问题-一样,解决此类问题主要分为两个部分——特征提取和分类器的设计。因此本文主要围绕如何能高效的提取反映签名本质的特征,以及如何设计分类器使得该鉴别问题得到一个良好的解决方案展开研究。最后,出于工程项目中的实际需求,对模型进行了系统部署试验。本文主要研究的对象是离线手写签名,研究主要分为三个部分:预处理、特征提取和鉴别决策模型设计。本文的创新点及工作归纳如下:(1)特征提取方面,本文提出了使用深度卷积生成对抗式网络的鉴别器对离线手写签名样本做特征提取的方法。在本文中通过完整批量标准化、避免稀疏梯度、增加衰减型噪声以及软标签等改进方法,使得本模型较过去的方法具有如无需人工干预,网络自行学习样本特征、模型稳定性更高、效果更好等诸多优点。(2)样本采集方面,在人工智能蓬勃发展的今天,机器伪造也需要引起重视。本文中首次加入了非人工伪造的签名样本,利用深度卷积生成对抗式网络的生成器生成的伪造签名,作为机器熟练伪造的测试样本。(3)分类器设计方面,本文设计提出了一种强分类器——AdaBoostSVMRBF。该分类器是由本文提出的参数可动态更新的AdaBoost增强方法与SVMRBF相结合构成,并使用该分类器取代深度网络全连接层来做分类。(4)鉴别模式设计方面,本文通过融合专用型和通用型鉴别模式得到了一种权值动态更新的加权投票鉴别模式,兼备了便捷性和准确性。实验结果表明,采用模型融合的方法,最终的准确率达到了 92.57%。(5)将训练好的离线手写签名鉴别模型部署在实际工程项目系统上应用。实验结果以及系统测试表明,本文设计并实现的离线签名鉴别系统性能良好,稳定可靠。与其他的现有方法相比具有自动化程度高、泛化能力强、准确率高的特点。