1.一种基于三通道神经网络的离线签名鉴定方法，其特征在于，包括如下步骤：
获取签名图像和对比图像，并将签名图像和对比图像转换为灰度图或二值图；
将签名图像和对比图像进行对比，得出差值图像；
设置三通道神经网络，将签名图像和对比图像分别输入三通道神经网络的前两个通道，差值图像输入三通道神经网络的第三通道；
签名图像、对比图像和差值图像在三通道上进行叠加，得到三通道图像；
以三通道图像作为输入，训练神经网络模型，得到鉴定结果。
2.如权利要求1所述的基于三通道神经网络的离线签名鉴定方法，其特征在于，签名图像和对比图像为灰度图或二值图，其尺寸为w×h×1；
当签名图像和对比图像作对比时，读入模型的数据尺寸为w×h×2；
差值图像的尺寸为w×h×1，签名图像、对比图像和差值图像叠加得到三通道图像，其尺寸为w×h×3。
3.如权利要求1所述的基于三通道神经网络的离线签名鉴定方法，其特征在于，在神经网络中加入空洞卷积层。
4.如权利要求3所述的基于三通道神经网络的离线签名鉴定方法，其特征在于，空洞卷积层位于神经网络的基线网络mix2层中。
5.如权利要求3所述的基于三通道神经网络的离线签名鉴定方法，其特征在于，具体空洞卷积的方法如下：
将空洞率设置为锯齿状结构，空洞率表达式如下：
mi＝max[mi+1-2ri,mi+1-2(mi+1-ri),ri]
其中，mi代表第i层的最大空洞率，ri代表第i层空洞率，设卷积核尺寸为k×k，当满足m2≤k时，即符合设计条件的要求。
6.如权利要求1所述的基于三通道神经网络的离线签名鉴定方法，其特征在于，在神经网络中设置注意力机制。
7.如权利要求6所述的基于三通道神经网络的离线签名鉴定方法，其特征在于，注意力机制位于神经网络的最末层，用于对神经网络模型提取的笔迹特征赋予不同的权重。
8.如权利要求6所述的基于三通道神经网络的离线签名鉴定方法，其特征在于，具体注意力机制的方法采用senet模块如下：
以x为网络输入，u为网络提取的特征图，将大小为w×h×3的特征图通过fsq函数进行squeeze操作，得到一个大小为1×1×c的向量，其公式为：
uc为第c通道的特征图；
将1×1×c的向量转换为一个新的具有权重信息的1×1×c的向量，即为excitation操作，门机制的公式为：
fex(z,w)＝σ(g(z,w))＝σ(w2δ(w1z))
其中，δ为relu激活函数，σ为sigmoid激活函数，z代表特征图，w表示参数，参数与特征图相乘，得到下一步的特征图；g为中间计算函数；w1将1×1×c的向量压缩到设定好的1×1×r，r即为降维系数，w2再将向量恢复为1×1×c；
得到1×1×c的向量即为所需要的通道权重向量，并与w×h×c的特征向量相乘，即可得到输出图像特征图x％。
9.如权利要求1所述的基于三通道神经网络的离线签名鉴定方法，其特征在于，对三通道神经网络进行5折交叉验证，评估三通道神经网络的性能；设置训练集、验证集、测试集的分配比例为0.75：0.05：0.20，将所有数据分为5份，测试集在其中依次选取，完成数据集的5折分配。
10.一种基于权利要求1-9之一所述离线签名鉴定方法的鉴定系统，其特征在于，包括图像采集模块、存储模块、对比模块和鉴定模块；
所述图像采集模块用于采集实时手写的签名图像；
所述存储模块用于存储对比图像；
所述对比模块的第一输入端与图像采集模块连接，对比模块的第二输入端与存储模块连接，用于获取差值图像；
所述鉴定模块分别与图像采集模块、存储模块和对比模块的输出端连接，用于输出签名的鉴定结果。