随着科技的发展,人们越来越多地关注自身的隐私保护。生物识别技术的出现有效保护了人们的隐私和安全性,生物特征在个体间具有独一无二性,因此可以作为一种更安全的身份识别手段,用于在人群中建立安全独特的身份信息。同时,生物特征识别伪造技术的出现,如指纹和面部数据伪造等,威胁着人们身份识别信息的安全,而心电信号（electrocardiogram,ECG）身份识别是对现有生物特征识别方法的一个良好补充。ECG信号波形是人体内多种交感神经相互影响的结果,控制或试图模仿别人的ECG信号是非常困难的,其一维的信号特性相对于其它生物特征更容易处理和计算。在分类中,深度学习逐层的特征处理,提取的特征更具有表征意义。而进一步为了提升身份识别系统的准确率,降低在特征处理环节的维度以及和冗余度,提升分类器的稳定性;提高身份识别系统在非基准点特征提取上的性能。共进行了以下研究:1.构建了基于PCA-gcForest的ECG身份识别模型。深度森林也叫多粒度级联森林（multi-Grained Cascade forest,gc Forest）,具有逐层加工、内部特征变换、以及充分的模型复杂度三个深度学习模型中的重要因素,增强身份系统表征能力的同时能够提高系统的稳定性和准确率。本文通过构建了一个基于PCA-gc Forest的ECG身份识别模型来降低特征冗余度并提高身份识别准确率。首先通过基于权阈值收缩的小波去噪去除ECG信号上的大部分噪声,再对定位的R点做为基准点分割成单心拍信号。将分割成的心拍信号采用主成分分析（Principal Components Analysis,PCA）合成线性无关低冗余度的低维特征,最后使用gc Forest进行进一步特征加工选择和分类识别。实验结果表明,采用gc Forest算法能够大幅提升系统的准确率,与KNN（k-Nearest Neighbor）、BP（back propagation）神经网络和随机森林等方法相比,该方法在ECG-ID数据库和MIT-BIH-AHA数据库分别有着97.36%和99.14%的身份识别准确率,均优于以上传统分类器。所以该方案有效的解决了ECG信号的冗余性,提高分类的准确性和实用性,在多数据库都有着较高的分类识别结果,具有较好的鲁棒性。2.构建了基于非基准点组合特征的ECG身份识别模型。ECG是人体内的微弱电信号,心率容易受到疾病、运动、心情等各种环境因素的影响,导致基准点定位的不准确,从而影响身份识别准确率。因此本文设计了一个从非基准点特征提取出发的ECG身份识别模型,无需基准点定位,针对非基准点特征提取导致ECG身份识别系统精度不高的问题,并结合ECG信号的特点,提出了一种基于组合窗口特征的ECG身份识别方法。首先原始心电信号通过非基准点的分割方式分割成窗口信号段,以这些窗口段信号段代替心拍作为ECG身份识别系统中的基本识别单位;然后使用卷积神经网络（Convolutional Neural Networks,CNN）对窗口信号段进行特征提取,卷积神经网络做为热门的深度学习模型,能有效的从窗口信号段提取具有身份差异性的特征;之后结合本文所选取窗口信号段中的代表身份信息的相关时域特征进行特征组合,丰富窗口信号段身份识别判据;最后使用gc Forest完成分类。通过在MIT-BIH-AHA数据库上和MIT-BIH-ST数据上的多组实验对比,证明提出的算法能够在非基准点特征提取的条件下,提高ECG身份识别的系统的性能。