近年来,随着物联网技术的不断发展,与物联网相关的环境感知、数据传输和云端计算等技术已成为热门的研究方向。物联网感知层的主要目的,是将物理世界的模拟信号转换为计算机能传输、存储和计算的数字信号。感知层中的主要任务是对用户和物品的定位,以及对用户的认证和行为动作的感知。其中用户认证部分是物联网感知层的关键技术,在对用户身份认证后,才能进一步提供个性化服务。本文重点研究采用射频识别（Radio Frequency Identification,RFID）阵列,感知用户手势和呼吸特征以实现身份认证。现有的研究工作存在以下几个问题:1)基于手势的认证技术中,利用动态时间规整（Dynamic Time Warping,DTW）进行特征匹配时,算法复杂度较高;利用神经网络等分类算法进行用户匹配时,对样本需求量大,训练时间长;2)基于呼吸的认证技术中,采用普通时频特征进行用户匹配时,存在认证准确率较低的问题。针对上述两个问题,本文做了如下工作:首先,在基于RFID阵列的手势认证技术中,采用了复杂度较低的基于直方图的特征提取算法,能有效地提取到信号的波形特征。相比于广泛采用的DTW算法而言,在保证一定准确率的同时,有更低的时间复杂度,减少了系统延迟,增大了系统的实用性。其次,在基于RFID阵列的呼吸认证技术中,通过对信号进行经验模态分解（Empirical Mode Decomposition,EMD）得到信号的本征模函数（Intrinsic Mode Function,IMF）分量。然后从时频域联合分析的角度,分别提取了IMF分量的波动指数、EMD能量熵和Hilbert边际谱特征,来对用户呼吸信息进行有效表征,最终提高了系统认证准确率。最后,本文通过实验验证,证实了在基于RFID阵列手势认证系统中,采用复杂度较低的基于直方图的特征提取算法,使系统获得了较高的认证准确率,在用户为8人的条件下,平均认证准确率达到了98.7%;同时,在基于RFID阵列呼吸认证系统中,采用本文所提取的特征,能实现更高的认证准确率,在用户为8人的条件下,平均认证准确率达到了99.1%,证实了本文所提取特征的有效性。