手写签名作为一种人体生物行为特征,具有稳定且易获取的特点,被广泛应用于金融、法律以及其它保密性高的行业。但以往对于手写签名真伪的鉴别,主要依托于人工和传统物理方法,存在准确率低且耗时长的问题。本文将深度学习知识应用到手写签名识别任务中,识别率明显提高,识别时间缩短,最终将以上研究成果应用到手写签名在线识别系统。首先,针对手写签名识别率低的问题,本文提出一种改进的Le Net-5模型。该模型选择双通道代替传统单通道,特征数量得到增加,提取的特征信息更加精确。在模型探究阶段,通过改变参数配置不断优化模型。最后通过实验验证改进的Le Net-5模型提高了手写签名的识别率。其次,针对手写签名识别数据量少和识别速度慢的问题,本文提出一种改进的Res Net-18模型。该模型引入空间变换网络,消除在书写时产生的倾斜、扭曲等影响。引入迁移学习,结合无监督训练解决数据量稀少的问题,提高模型性能。通过实验验证改进的Res Net-18模型在提高识别率的同时降低对数据的要求,还缩短了时间。最后,结合上述研究成果和签名识别这一实际应用场景,本文设计基于卷积神经网络的手写签名在线识别系统。本系统可在Windows呈现一款界面,书写者移动鼠标可书写签名,通过调用改进的Res Net-18模型,实现手写签名的在线识别。通过不同书写者对手写签名在线识别系统的测试,从测试结果看出,本文设计的手写签名在线识别系统识别率高,识别速度快,具有一定的应用价值。