Die Offline-Unterschriftverifizierung gehört zu den anspruchsvollsten Aufgaben im Bereich der Biometrie und Dokumentenforensik. Im Gegensatz zu anderen Verifizierungsaufgaben müssen hier feinste, jedoch entscheidende Unterschiede zwischen echten und gefälschten Unterschriften modelliert werden, da eine geschickte Fälschung oft nur geringfügige Verzerrungen aufweist und der echten Unterschrift sehr ähnlich sein kann. Diese Verifizierungsaufgabe wird in sogenannten schreibergewandten Szenarien noch komplexer, was für realistische Anwendungsfälle unbestreitbar von großer Bedeutung ist. In diesem Artikel modellieren wir die Offline-Verifizierung ohne Schreibergewandtheit mittels eines konvolutionellen Siamese-Netzwerks. Siamese-Netzwerke sind doppelte Netzwerke mit geteilten Gewichten, die trainiert werden können, um einen Merkmalsraum zu lernen, in dem ähnliche Beobachtungen räumlich nahe beieinander liegen. Dies wird erreicht, indem das Netzwerk mit Paaren ähnlicher und unterschiedlicher Beobachtungen konfrontiert wird, wobei der euklidische Abstand zwischen ähnlichen Paaren minimiert und gleichzeitig der Abstand zwischen unterschiedlichen Paaren maximiert wird. Experimente an Kreuzdomänen-Datensätzen unterstreichen die Fähigkeit unseres Netzwerks, Fälschungen in verschiedenen Sprachen (Schriften) und Schreibstilen zu modellieren. Darüber hinaus übertrifft unser vorgestelltes Siamese-Netzwerk, das wir SigNet nennen, die derzeit besten Ergebnisse auf den meisten etablierten Benchmark-Datensätzen für Unterschriftenverifizierung und eröffnet somit neue Perspektiven für zukünftige Forschung in diesem Bereich.