生物特征用于身份认证时在安全性、准确性和易用性上具有很大优势,这也是其逐渐替代传统身份识别方法的重要原因。目前身份认证系统大多数使用静态的生物特征,比如人脸图像、虹膜图像、眼周图像等。虽然使用静态生物特征的身份识别方法具有较高的准确率,但是随着信息技术的发展,静态生物特征模板容易被仿造,从而造成身份误认的现象。因此,需要进一步研究基于动态生物特征或者动静态生物特征融合的身份识别方法来避免伪造信息对识别系统的误判引导。而眼动是控制视觉的大脑区域和眼球肌肉相互作用的结果并且可以很方便地与眼周、虹膜特征进行融合,所以本文使用人眼特征进行身份识别研究。但是,目前基于人眼特征的身份识别方法存在不少问题。基于眼睛特征的身份识别方法大都使用眼睛的静态特征,比如眼周特征,这些静态特征都存在着易被伪造的风险。而一些使用眼动特征的方法又因为精度相对较低,需要高精密的设备,不适合投入市场生产,限制了基于眼动特征的方法在手机和平板等移动设备上的实现。另外,采集眼动特征设备的频率几乎都是1000Hz,这使得基于人眼动态特征的身份识别技术在实际应用中缺乏灵活性。针对上述问题,本文在默认基于人眼静态特征的身份识别方法已经很成熟的前提下,着重研究了基于人眼动态特征的身份认证技术和基于人眼动静特征融合的身份识别技术。其结果显示,基于人眼动态特征的身份识别技术是可行的以及基于人眼动静特征融合的身份识别方法是可以应用在移动设备上的。论文的主要创新性研究如下:1)提出一种基于人眼跳视轨迹的身份认证方法。使用速度阈值(Velocity Threshold,VT)算法获得了人眼跳视轨迹,通过小波包变换对跳视轨迹提取小波包特征,然后进行特征选择,利用支持向量机对这些特征进行分类以实现身份认证并通过优化支持向量机参数取得了最佳性能。2)提出一种基于低频眼动的身份认证方法。从眼睛运动数据中提取梅尔倒谱系数(Mel-scale Frequency Cepstral Coefficients,MFCC)特征和身份向量(Identity-Vector,I-Vector)特征,将这两种特征进行融合,并使用支持向量机对融合后的特征进行分类实现身份认证。3)提出一种基于人眼动静特征融合的身份识别方法。从训练好的深度学习模型中提取眼周特征,作为人眼静态特征。从眼睛运动轨迹数据中计算出人眼运动的速度,作为人眼动态特征。通过分析眼周特征、眼周特征与速度特征之间的关系,发现眼周特征对头部运动具有鲁棒性以及眼周特征与速度特征之间具有很弱的关系。因此,将眼周特征和速度特征进行融合,最后使用支持向量机对融合后的特征进行分类以实现身份识别。本文使用人眼跳视轨迹特征实现身份认证并取得了较高的精度。本文在低频率的采集条件下实现了基于人眼动态特征的身份认证,简化了对采集设备的要求,结果显示虽然低频率下的性能相对于高频率的性能有所下降,但是综合考虑,本文中基于低频率眼动的身份认证具有很好的应用前景。另外,本文在移动设备上实现了基于人眼动静特征融合的身份识别,结果表明融合动态特征之后的身份识别方法具有较高的性能并且系统的安全性有所提高。