近年来线上金融服务迅速发展,“金融风控”越来越被大众重视。在进行线上交易时,用户身份和意愿的真实性是交易的前提和基础。手写签名由于易采集、个体特异性、难伪造、不侵犯用户隐私等优势是目前接受度最高的身份认证方式。现有的签名认证的技术主要有静态签名认证和动态签名认证。本文基于现有的理论对该问题进行了扩展和延伸研究。主要工作有以下几点:第一,基于现有的签名认证方法,提出了动静结合的签名认证技术。由于单独使用动态或静态认证都会丢失部分签名信息。动静结合的技术在认证时能将签名的动态和静态信息都参与认证计算,提升了签名信息的利用率。本文实验证明,动静结合认证的认证率高于单独的动态或静态认证技术。第二,深入研究了静态签名认证技术,采用深度卷积神经网络DCNN提取签名图像特征,结合SVM对特征进行分类,采用TrAdaBoost算法增强分类器并实现了源域到目标域的迁移学习。使用TrAdaBoost算法避免了多重任务并行导致的认证模型复杂、模型参数多、训练时模型难以收敛等问题,最终通过实验验证了TrAdaBoost算法对于模型增强的有效性。第三,提出了基于坐标的多维极值动态时间规划方法M-CEDTW。基于签名的坐标序列获取其极值点序列、极值点序列对应的速度序列和时间序列,使用动态时间规划算法DTW对参考模板和待测签名的各序列分别匹配,并用动态权重法融合多维匹配距离,使用个性化阈值判定认证结果。最后,对本文提出的M-CEDTW方法和单维属性认证进行了对比实验,实验证明M-CEDTW的认证性能优于单维度认证。第四,设计并实现了手写签名认证系统。系统包括两部分:用户签名认证的客户端Signature Verification App和签名认证模型管理系统(Signature Verification Model Manager System,SVMMS)。App具有签名信息注册、登录、向服务器端发送认证请求和接收响应等功能。SVMMS是基于Web的模型管理系统,主要包括样本管理、模型管理、用户管理、存储管理、以及可视化五个功能模块。本文给出了算法过程和系统实现的关键部分设计的详细描述和图示,并通过实验验证了算法的有效性和系统的可用性。