La privacidad juega un papel importante en los sistemas de autenticación biométrica. Los sistemas de autenticación táctil se han utilizado ampliamente desde que los dispositivos táctiles alcanzaron su nivel actual de desarrollo. En este trabajo, se propone un esquema de compromiso difuso (FCS) basado en aprendizaje profundo (DL) para proteger la plantilla de gestos táctiles en un sistema de autenticación táctil. El código binario de Bose-Ray-Chaudhuri (BCH) se utiliza con FCS para tratar las variaciones táctiles. El código BCH se describe por el triplete () donde denota la longitud de la palabra de código, denota la longitud de la clave y denota la capacidad de corrección de errores. En nuestro sistema propuesto, se investiga el rendimiento del sistema utilizando diferentes longitudes . El enfoque basado en el aprendizaje se aplica para extraer características táctiles de los datos táctiles en bruto, ya que se utiliza una red neural recurrente (RNN) basada en una red neural convolucional (CNN). El sistema propuesto ha sido evaluado en dos conjuntos de datos táctiles diferentes: el conjunto de datos Touchalytics y el conjunto de datos BioIdent. Los mejores resultados obtenidos fueron con una longitud de clave = 99 y = 255; la tasa de aceptación falsa (FAR) fue 0.00 y la tasa de rechazo falsa (FRR) fue 0.5854 para el conjunto de datos Touchalytics, mientras que la FAR fue 0.00 y la FRR fue 0.5399 con el conjunto de datos BioIdent. El FCS muestra su efectividad en sistemas de autenticación dinámica, ya que se obtienen buenos resultados y se comparan con otros trabajos.