Die Handschriftenerkennung ist eines der aktiven und herausfordernden Forschungsgebiete im Bereich der Bildverarbeitung und Mustererkennung. Sie besitzt zahlreiche Anwendungen, darunter Hilfssysteme für Sehbehinderte, die automatisierte Auswertung und Verarbeitung von Bankchecks, die Suchbarkeit handschriftlicher Dokumente sowie deren Umwandlung in strukturierten Text. Zudem wurden bereits hohe Genauigkeitsraten bei Handschriftenerkennungssystemen für Sprachen wie Englisch, Chinesisch, Arabisch, Persisch und viele andere erzielt. Für die Offline-Handschriftenerkennung des Kurdischen (Sorani) existiert derzeit jedoch kein derartiges System. In diesem Artikel wird ein Versuch unternommen, ein Modell zu entwerfen und zu entwickeln, das handschriftliche Zeichen des kurdischen Alphabets mithilfe von Deep-Learning-Techniken erkennen kann. Das Kurdische (Sorani) umfasst 34 Buchstaben und basiert hauptsächlich auf einem arabisch-persischen Schriftsystem mit modifizierten Zeichen. In dieser Arbeit wird ein Deep Convolutional Neural Network (DCNN)-Modell eingesetzt, das sich in der Handschriftenerkennung bereits als äußerst leistungsfähig erwiesen hat. Anschließend wurde eine umfassende Datensammlung für handschriftliche kurdische Zeichen erstellt, die mehr als 40.000 Bilder umfasst. Diese Datensammlung diente zur Ausbildung des DCNN-Modells für Klassifizierungs- und Erkennungsaufgaben. In dem vorgeschlagenen System zeigen die experimentellen Ergebnisse ein akzeptables Erkennungsniveau: Die Testgenauigkeit betrug 96 %, während die Trainingsgenauigkeit bei 97 % lag. Aus den experimentellen Ergebnissen wird deutlich, dass das vorgeschlagene Deep-Learning-Modell hervorragend funktioniert und mit ähnlichen Modellen für die Handschriftenerkennung anderer Sprachen vergleichbar ist.