随着社会经济、信息的高速发展，传统的身份认证方式越来越不能满足人们日益增长的对安全的需求。生物特征识别技术的出现有效地解决了这个问题，并在犯罪调查、金融交易、电子商务、机场安检和国土安全等许多领域都得到了应用。生物识别技术是利用人类自身固有的生理特征或行为特征进行身份鉴别的一种技术。常用特征如指纹、人脸、虹膜、语音等。尽管生物特征识别技术与传统的身份认证技术相比有着较大的优势，但也存在各自的一些缺陷，如语音可以被录音，指纹和人脸等都易于被伪造。因此探索新的生物特征识别技术以提高识别系统的安全性具有十分重要的意义。本文主要研究了基于心电信号的身份识别算法。首先提出了心电信号预处理算法，有效地去除了心电信号中的噪声和心率变异所带来的干扰，并对心电信号质量做了检测。在此基础上，从时域和频域提出了心电特征提取算法，从心电信号中提取出可区分的特征。最后构建模式识别算法，对MIT-BIH中的ST Change、PTB、QT等数据库进行测试，取得了较高的识别率。本文所做的主要工作如下：1、提出了心电信号预处理方法。通过研究心电信号的产生机理及其形态学特征，分析心电信号在采集过程中遇到的噪声的类型，提出了基于先验平滑法和小波变换的心电消噪算法和心电标准化算法，分别消除心电信号中的低频、高频噪声和心率变异性。然后结合心电信号的准周期特性及周期变换(Periodicity Transforms, PT)的特点，提出了心电质量检测算法，通过相邻心跳周期的心电信号的相似特性，检测心电信号的质量。最后利用MIT-BIH心电数据库中的心电信号验证了预处理算法的性能。2、提出了基于总体平均经验模式分解(Ensemble Empirical Mode Decomposition, EEMD)的心电特征提取算法。首先系统研究了经验模式分解(Empirical Mode Decomposition, EMD)和EEMD的基本原理、算法步骤和EEMD的分解特性；通过分析心电信号的频谱特性及心电信号经EEMD分解后得到的各内蕴模式函数(Intrinsic Mode Function, IMF)的频谱分布，提取核心内蕴模式函数(Key Intrinsic Mode Functions, KIMFs)，并采用Welch谱估计得到KIMFs的频域信息，将两种特征参数经过主成分分析(Principal Component Analysis, PCA)进行降维，将降维后的两种特征参数进行融合得到心电模板的特征参数，输入到最近邻分类器中进行匹配分类。通过实验仿真研究了不同参数，如总体平均次数、噪声方差、傅里叶变换(Fast FourierTransform, FFT)点数和窗口类型等对算法性能的影响。最后通过MIT-BIH心电数据库验证了算法性能，取得了较高的识别率。3、提出了基于快速傅里叶变换的改进匹配追踪心电特征提取算法。首先系统研究了匹配追踪(Matching Pursuit, MP)算法，通过分析过完备原子库的结构特性和心电信号的特征，利用FFT改进MP心电信号稀疏分解算法；通过分析稀疏分解后原子的时频分布发现前面原子的时频分布叠加即可大致反映心电信号的时频特性，提取前三个原子的时频参数和投影值作为特征参数，然后构建支持向量机分类器进行分类匹配，完成识别；最后通过MIT-BIH心电数据库验证了算法性能，取得了较高的识别率。本文的研究提供了一种识别率高、鲁棒性强和防伪能力好的生物识别新途径，为心电身份识别系统的开发提供了坚实的理论基础和技术支撑。