离线手写签名验证是生物识别与文档司法鉴定领域中最具挑战性的任务之一。与其他验证问题不同，该任务需要精确建模真实签名与伪造签名之间细微但至关重要的差异，因为熟练的伪造者往往仅通过微小的形变就能使伪造签名与真实签名高度相似。在书写者无关（writer-independent）的场景下，这一验证任务更加困难，而此类场景在实际应用中具有不可忽视的现实意义。本文提出一种基于卷积孪生网络（convolutional Siamese network）的离线书写者无关签名验证方法。孪生网络是由两个结构相同、权重共享的网络构成，能够通过训练学习一个特征空间，在该空间中相似样本在几何上彼此靠近。这一目标通过同时向网络输入相似与不相似的样本对，并最小化相似样本对之间的欧氏距离，同时最大化不相似样本对之间的距离来实现。在跨领域数据集上进行的实验表明，所提出的网络具备建模不同语言（书写系统）及书写风格下伪造行为的能力。此外，本文设计的孪生网络——SigNet，在多数基准签名数据集上的表现优于现有最先进方法，为该方向的后续研究奠定了坚实基础。