在线签名被广泛地应用于银行、政府、法律系统和移动商务的个人身份验证中,所以一个健壮的在线签名验证系统是十分重要的。目前,虽然在签名验证算法中有许多突破性的进展,但是依旧没有达到一个较好的验证精度。这是由于个体签名在不同时间点的随意性、差异性会造成同一人签名有极大的内类差异。并且如果有伪造者通过练习模仿,会使得伪造签名与真实签名难以区分。基于上述难题,本文使用深度学习方法提出了两种算法,通过提取具有高鉴别性的特征,来更好的缩小真实签名的类内差异,扩大真实签名与伪造签名的类间距离,进而达到提高验证精度的效果。本文的主要工作和贡献为:（1）对现有的在线签名验证方法做了概括总结,从数据的预处理,特征提取,签名验证三个方面对在线签名验证的研究过程进行了阐述。（2）提出了一种语义驱动的高判别特征提取深度神经网络,并用于写者独立的在线签名验证。语义驱动模块以学习识别真实签名和伪造签名的高层语义特征为目标,它结合了LSTM和CNN的优点,所提取的特征具有更小的真实签名类内距离,更大的真实-伪造签名类间距离。由于高鉴别特征常出现于笔画角点、圆弧等特殊位置,所以我们设计了一个新的特征提取算子,该算子将压力跟坐标关联,来描述写者在不同位置的压力习惯。在MYCT-100、SUSIG和MOBISIG三个数据集上面进行了最困难、独立于写者的1v1实验,实验结果表明,该方法的性能优于最先进的方法,并且在MYCT-100数据集上的性能比次优方法高16%。（3）提出了一种基于生成对抗网络的在线签名高判别特征表示学习方法。本方法通过生成器和鉴别器的对抗训练,学习写者真实签名样本集的数据分布特征,而不再是写者的单个签字特征。通过对抗网络,可以缩小真实签名特征之间的类内差异,进而达到提升鉴别模型性能的效果。由于对抗网络训练困难,我们采用自编码方式对生成器进行预训练,并且在对抗训练中引入内容损失,来约束生成器对真实签名的生成。为验证方法的有效性,本文在三个公开数据集上面做了独立于写者的1v1实验,结果证明该方法在当前在线签名验证领域具有良好的竞争力。