Debido a la naturaleza compleja de los caracteres chinos, los estudiantes internacionales de nivel junior a menudo encuentran problemas de escritura relacionados con los trazos, componentes y sus combinaciones al escribir caracteres chinos. Los caracteres chinos de tinta digital (DICCs) se obtienen al muestrear la trayectoria de escritura de caracteres chinos con un dispositivo de entrada por lápiz. Los DICCs contienen información rica, como el tiempo y el espacio de los trazos y los puntos de muestreo. Reconocer los DICCs es crucial para evaluar y corregir errores de escritura y mejorar la calidad de la enseñanza de caracteres chinos para estudiantes internacionales. Aquí, el artículo emplea primero una convolución dilatada unidimensional para el reconocimiento de caracteres chinos de tinta digital (DICCR) y propone una nueva red residual con convolución dilatada unidimensional (1-D ResNetDC). La 1-D ResNetDC no solo utiliza núcleos de convolución de múltiples escalas, sino que también emplea diferentes tasas de dilatación en un núcleo de convolución de escala única para obtener información de varios rangos. Además, las conexiones residuales facilitan el entrenamiento de redes neuronales convolucionales profundas unidimensionales. Además, el artículo propone una representación de características más expresiva de diez dimensiones que incluye información espacial, temporal y de dirección de escritura para cada punto de muestreo, mejorando así la precisión de clasificación. Debido a que el conjunto de datos DICC de estudiantes internacionales es pequeño y desbalanceado, la 1-D ResNetDC se preentrena en el conjunto de datos disponible publicado. Los experimentos demuestran que nuestro enfoque es efectivo y superior. Este modelo presenta una arquitectura compacta, un número reducido de parámetros y una excelente escalabilidad.