目前身份认证充斥着人们生活的方方面面,小到手机解锁、移动支付,大到银行业务、军事系统等,身份认证都扮演着举足轻重的角色。利用生物信息进行身份认证的技术日趋成熟,比如声音、指纹、面部、虹膜等认证方式,但是它们也都存在伪造、复制、可强迫等缺点。脑电信号作为一种新兴的生物信息,具有不可复制、独一无二、不可胁迫、生物活性等优点,且不同个体在相同刺激下或者进行相同的思维活动时产生的脑电信号也不一样。已有的研究结果表明,在特定条件下产生并采集到的脑电信号可以用于身份认证。但目前对于脑电身份认证系统的稳定性、可行性、一致性等问题的研究还有待加强。本文借助基于稳态视觉诱发电位的脑电认证系统,从视觉刺激频率、特征提取方法、模式识别方法等角度,对上述问题进行了研究,以便使脑电身份认证系统更加具有实际应用价值,更快走进日常生活。在传统的脑电认证中,特征提取方法需要人工仔细设计每一个步骤,而每一步对最终结果的影响未知。针对该缺点,本文提出将自编码器用于脑电特征提取的方法,从而实现端到端的提取。通过对比实验发现,该方法可以获得与传统特征提取方法一致的识别性能,甚至优于某些传统特征方法。通过对脑电认证中的各种特征提取和模式识别方法进行组合尝试,发现认证系统存在稳定性问题。针对该问题,本文提出引入Bagging和Stacking两种集成学习方法来提高稳定性。实验结果表明,这两种方法均可以提高稳定性,其中Stacking方法优于Bagging方法。任何身份认证系统的识别性能不能随时间变化而变化,这是一致性问题。针对此问题,本文提出引入增量学习方法,从时间维度上分析一致性。实验结果表明,该方法可以验证脑电身份认证系统的一致性,同时也验证了将脑电用于身份认证的可行性。但是增量学习中每一次会话数据的训练与测试会带来较大的时间开销,本文又提出引入将降维与聚类方法。实验结果表明,该方法与增量学习方法相比,能够显著降低时间开销。同时该方法也验证了利用脑电信号构建认证系统的可行性与一致性。