离线手写签名认证是利用个人手写的签名图像对其进行身份认证的技术,具有成本低、易于接受等优点,在安全、金融、司法、刑侦等领域中都有十分重要的应用。近年来,随着深度学习等方法的兴起,离线手写签名认证系统的性能不断提高。然而,在实际应用中,由于精心伪造的签名与真实签名区分度较小,并且同一个人在不同时刻的签名差异较大等难点,高精度离线手写签名认证仍然是一个具有挑战性的研究课题。针对离线手写签名认证技术,本文进行了较为深入的研究,提出了一种基于自适应区域分割的签名认证算法。该算法首先对签名图像进行自适应分割,然后利用卷积神经网络提取签名图像分割区域的特征,根据区域特征之间的平均距离对签名进行认证。为了进一步提升性能,本文在距离度量、距离融合、损失函数等方面对该算法进行了改进。具体而言,论文的主要工作如下:1.对签名图像进行预处理。为了防止背景噪声的干扰,利用二值化算法去除了签名图像的背景。为了消除不同签名灰度分布以及签名位置的不一致性,对签名进行了灰度归一化和矩归一化。2.提出了一种基于自适应区域分割的签名认证算法。针对熟练伪造签名与真实签名差异往往存在于笔划细节这一难点,本文设计了一种基于空间变换网络的分割网络对签名图像进行自适应区域分割,使得后续的网络能够聚焦于签名的细节从而提升认证性能。实验结果证实了基于自适应区域分割的签名认证算法的优越性。3.提出了改进的自适应区域分割签名认证算法。为了充分利用签名包含的细节信息,本文采用注意力循环比较器交替比对签名区域的特征。为了更好地融合签名分割区域之间的距离,本文设计了自适应距离融合模块,输出最终的比较结果。此外,本文针对签名认证问题的特点,设计了平滑双间隔损失函数,有效地缓解了训练过程中的过拟合问题,进一步提升了系统的性能。实验结果证实了注意力循环比较器、自适应距离融合模块、平滑双间隔损失函数的有效性和互补性。本文在国际公开的手写签名数据集CEDAR（英文）、GPDS Synthetic（英文）、BHSig-H（印地文）、BHSig-B（孟加拉文）以及中文手写签名数据集Chn Sig上,进行了多项验证实验。实验结果表明本文算法可以实现高精度、多语种的手写签名认证,具有较高的泛化性能。