手写签名从古至今就作为个人身份标识,在教育、商务以及司法等领域都得到了广泛应用。签名认证是利用手写签名鉴别身份真实性的安防技术,作为一个模式识别问题,算法需要提取刻画用户书写风格的模式来完成认证过程。手写签名样本数据量少,熟练伪造签名和真实签名较难区分,开放世界中不断有新用户注册,这些都是离线签名认证任务现实应用中面临的挑战和困难。尽管有关学者们在过去的几十年取得了不少研究成果,离线签名认证系统仍然有性能提升的空间。随着深度学习的出现及其在许多计算机视觉相关任务中的成功应用,深度学习有望成为签名认证任务中有力的特征提取技术方案。在相关研究仍较为欠缺的情况下,本文致力于将深度学习技术应用于离线签名认证任务中,本文完成的工作和主要贡献包括:1.高效深度网络结构设计:签名图像主要由线段和曲线等笔划构成,本文针对性设计了能够保留签名笔划细节的FMP网络,网络结构采用了分数阶最大值池化层、空间金字塔池化层等,并且经过实验验证,和通用网络相比,FMP网络更适合于离线签名认证任务。2.训练策略改进:以往研究多数是基于样本对的训练,本文采用元学习的训练方式,将每个批次数据划分为支持集和检索集,提出优化点到集合距离的方法,并且引入了困难挖掘策略和间隔裕量策略进一步强化距离度量。在训练过程中发现向量模长影响梯度回传的问题,通过在损失函数中添加向量长度正则化项,约束向量模长尽量一致得到解决。3.不依赖伪造签名:大部分签名认证系统的构建依赖伪造签名,然而熟练伪造签名的采集在实际操作中比较困难,本文提出了优化点到集合的距离,以及加间隔裕量的策略,都是探索了在只使用真实签名情况下的提升性能的方法。此外,本文采用了基于神经动力学的签名数据增广方法,通过模拟人类书写时行为习惯来增广数据,可以在一定程度上有效缓解签名样本数据量少的问题。本文所提出的方法均尝试解决离线签名认证中的一些难点问题,并且进行了充分的实验对比来证明其有效性。