近年来,随着深度学习的发展,利用深度神经网络对手写体文字进行风格识别相较于传统的图像处理方法具有识别速度更快、准确率更高的优势。当前主流的离线手写体笔迹风格识别方法在针对中文、英文数据集时,需要基于段落、页面级的含有较多文字的图像进行风格识别,才能达到令人满意的效果。但是,在公安、刑侦和司法等领域中可用文字样本较少、内容差异巨大等应用场景时,当前方法识别效果非常不理想。面向实际中存在的这个问题,本文针对单样本离线手写体文字笔迹风格识别方法展开了深入研究。在已有网络模型的基础上,提出加入注意力机制和多任务学习算法对笔迹风格识别模型进行改进,模型显著提升了单样本笔迹风格的识别精度,论文主要工作如下:（1）提出了结合注意力机制的改进的GRRNN（Global-Context Residual Recurrent Neural Networks）网络模型GRRNNA（GRRNN with Attention）。GRRNN网络在应用于单样本笔迹风格识别时,由于样本所包含的信息有限并且其他特征会对笔迹风格特征产生干扰,导致不能提取出具有鉴别力的笔迹风格特征。针对这个问题,充分利用注意力机制能够从众多信息中选择出对当前目标任务更关键的信息的特点,提出了结合注意力机制的改进的GRRNN网络模型GRRNNA,使模型在学习过程中提取出对文字风格识别更重要的特征,减少对无关信息的关注度,从而提升模型对单样本离线手写体文字笔迹风格的识别精度。在HWDB1.0中文离线数据集上对模型进行评估的实验结果表明,GRRNNA模型在单文字上的识别率比GRRNN提高了1.41%,达到了94.10%。（2）提出了一种内容-风格信息解耦导向的单样本离线手写体笔迹风格识别多任务学习方法。在单样本文字风格识别中,输入的文字图像经过特征提取网络提取深度特征后,通过学习文字内容特征和风格特征的多任务学习,实现对离线手写体文字中内容信息和风格信息的分离,从而降低文字内容导致的图像特征干扰。同时,多任务学习能够提高模型的泛化能力,使网络模型对文字的风格特征具有更强的表征能力,进而提升模型对单样本文字的笔迹风格识别准确率。方法分别以Res Net-Block网络和VGG网络作为特征提取网络,构建基于多任务学习的离线手写体笔迹风格识别算法,在HWDB1.0中文离线数据集上的识别率分到达到了90.06%和95.25%,并且在Top5上的识别率分别达到了97.81%和99.67%,模型性能得到较大的提升。面向在线教育教学中的学生作业、测试等电子版作业提交存在抄袭等问题,将所提算法集成应用到学校建设的智慧教育平台中,构建了用于在线提交作业、课堂测试和课程考试等方面的抄袭行为AI验证功能模块,并进行了实际应用验证,收到了良好的效果,具有较大的推广和应用价值。