离线笔迹鉴定作为生物特征识别中最为便捷的一种方式,在日常生活中扮演着重要角色。而其中离线签名鉴定作为离线笔迹鉴定领域最为常见的应用,已广泛应用于金融、商业、军事和通信认证等领域。因此,通过研究在离线状态下的手写签名来辨别签名真伪的自动化技术具有广阔的研究意义和实用价值。近年来,随着人工智能技术的概念深入人心,各行各业都尝试将传统行业和人工智能相结合,而其中深度学习技术是人工智能技术中最为瞩目的技术发展方向。因此本文希望能够结合最前沿的深度学习技术给离线签名鉴定应用带来新的技术突破。此外,虽然国内关于离线签名方面的研究已有数十年的历史,但我们在手写签名数据集领域一直面临着中文签名数据匮乏的问题,这严重制约了我国在离线签名鉴定领域的发展。因此本文从中文签名数据集和算法模型改进两个方面做出了如下工作:1.提出了一套完整的签名数据集采集方案,并搭建了关于扫描文件自动化切割和收集功能的签名采集系统,为规模化的采集签名数据提供了基础。通过这套采集流程和采集系统,我们收集了上百人参与的包含近万张手写签名的离线中文签名数据集。该数据集的收集和整理为离线签名鉴定算法的改进奠定了基础。2.提出了一种双通道卷积神经网络模型来解决离线签名鉴定问题。模型的创新点主要从模型轻量化和损失函数的角度出发。在模型轻量化方面,模型引入了Inception结构,空洞卷积,全局池化层,通过这些方式搭建模型可以在降低模型参数量的同时,提高模型的准确率。在损失函数方面,本文引入了在半监督领域常用的一致性损失来约束模型,提高模型对有效信息的特征提取能力。经实验验证,相对于基线模型,该方法在自制的签名数据集和开源签名数据集BHSig260-B的实验结果都具有明显优势。3.基于离线签名鉴定算法设计并实现了一个签名鉴定平台。在该平台中实现了签名提取算法来提取扫描文件中的签名信息,通过该平台对本文所提出的离线签名鉴定算法进行了应用和展示。