手写笔迹是一种典型的行为生物特征。基于手写笔迹进行个人身份的认证与识别在当今社会有着诸多应用情景,主要包括手写签名认证与笔迹识别两个方面,前者在行政管理、银行办公、合同签署、信用卡交易等场景下有着广泛应用前景,后者在司法笔迹鉴定与古籍文档研究等领域发挥着重要价值。手写签名认证的难点在于书写者的签名常常具有较大类内差异,且存在被伪造的可能性。更重要的是,由于签名采集困难、数据集规模通常较小,该领域对于深度学习方法探究甚少,仍旧十分依赖于人工特征设计,认证精度也仍不甚理想。笔迹识别的一个难点在于复杂背景与无约束笔迹情形下的识别,例如古籍文档笔迹识别,该情形下,许多经典方法难以对多变的笔迹风格进行有效的、精细的刻画。围绕签名认证与笔迹识别问题,本文结合了深度学习方法与领域知识,为解决上述难题作出了如下创新工作:（1）针对动态时间规整（DTW）方法过度依赖于人工特征设计与选择的问题,提出了端到端可训练的深度软动态时间规整（Deep Soft-DTW,DSDTW）方法,赋予了DTW以表征学习的能力,大幅度地提升了联机签名认证精度。DSDTW采用卷积循环神经网络学习深度时间函数作为DTW的输入;由于DTW对其输入不完全可微,我们引入了可微分的soft-DTW距离,从而实现端到端优化。DSDTW注重联机签名的局部特征学习,不考虑长期依赖关系,在低数据量情况下仍可有效地进行训练。（2）针对熟练伪造签名难以采集的问题,提出了基于签名合成与一维卷积网络的Syn Sig2Vec新方法,无需伪造签名作为训练数据亦可有效进行真伪认证。Syn Sig2Vec利用对数高斯叠加模型为每个真实模板签名合成出不同形变程度的签名样本,并对合成样本进行自监督的排序学习,以此方式令卷积网络学到有效的签名表征。我们为卷积网络引入了具有可学习查询向量的多头注意力机制,能够有效地从任意长度的联机签名提取定长的全局特征向量。（3）针对脱机签名认证提出了分数池化网络,其认证精度优于Sig Net-F与Sig Net-SPP等领域内的经典深度学习模型。分数池化网络基于深度局部特征学习的思想,通过其大尺寸特征图检测各类签名局部结构,并通过空间金字塔池化将局部特征聚合为全局特征向量,从而实现对签名的更为精细的刻画。此外,我们收集了一个大规模中文脱机签名数据集,包含近4000位书写者、近10万个签名样本,并在该数据集上针对熟练伪造与随机伪造签名分别取得了6.84%与0.10%的等错误率（EER）。（4）针对古籍文档背景、笔迹复杂且无可靠人工标注的难点,提出了编码Pathlet与SIFT特征的古籍文档笔迹识别方法。首先,本文使用篇幅级旋转纠正与基于U-Net的深度二值化,以获取可靠的二值文档图像。为刻画复杂笔迹风格,本文基于路径签名理论提出了Pathlet特征,由粗到细地刻画了笔迹轮廓的形状信息,并采用单方向SIFT特征捕获关键局部结构。进一步地,本文提出了bagged VLAD编码方法,解决了大码本情形下数据点稀疏导致性能下降的问题,实现对Pathlet与SIFT特征的高效编码。本文方法在ICDAR 2017与2019年古籍文档笔迹识别数据集上取得了领域前沿的识别精度,且无需任何人工标注的书写者信息。在上述工作中,若干领域知识,包括动态时间规整、对数高斯叠加模型、笔迹轮廓的使用等,对于相关方法的设计起到了重要的作用,表明深度学习与领域知识的适当结合能够更为有效地解决签名认证与笔迹识别领域现有难题。