随着人工智能理论和技术的日益成熟,社会生产和生活发生着日新月异的变化。基于生物特征的身份识别技术在一些场景中已取代了传统的身份识别方式,给人们的生活带来了极大便利。心电信号作为应用最为广泛的医学电信号之一,也被应用于身份识别中。与基于人脸、指纹等特征的生物特征识别方式相比,基于心电信号的身份识别（简称心电身份识别）具有活体检测、数据暴露风险小等独特优势,因此受到了广泛的关注。尽管近年来心电身份识别研究已取得了一定的进展,但是该识别方式仍存在很多挑战性的问题。这些问题主要集中于三个方面:一是人本身的情绪、疾病等因素引起的同源心电信号的动态形态变异问题,二是采集过程中的工频干扰、肌电干扰、基线漂移等噪声导致的低信噪比问题,三是手指采集等便携式采集方式带来的更多不稳定因素。上述问题共同导致了同源距离大于异源距离的问题（即类内变化问题）,这本质上是一种度量问题。而应用度量学习提取类内距离小、类间距离大的特征,在人脸识别、行人重识别等领域已经取得了良好的效果。因此,本文提出了以下两种基于度量学习的心电身份识别方法,以解决心电身份识别中的上述问题。1.基于核的有界判别分析的心电身份识别方法。本文引入了度量学习解决心电身份识别中的上述问题,提出了一种基于核的有界判别分析的心电身份识别方法。首先,该方法利用核函数将心电信号隐式地映射到高维空间,解决其在原始特征空间难以线性划分的问题。之后,在高维空间中应用有界判别分析方法,提取类内距离最小化、类间距离最大化的特征。最后,在MITDB和PTBDB两个临床心电数据集上验证了方法的有效性。2.基于双域低秩融合深度度量学习的心电身份识别方法。基于手指心电信号的身份识别是心电身份识别的一个新兴趋势,然而与临床心电信号相比,手指心电信号中的噪声更加严重且动态形态变异问题更加显著。本文针对手指心电信号,提出了一种基于双域低秩融合的深度度量学习方法。该方法引入AAM-Loss（Additive Angular Margin Loss）控制训练以提取类内紧凑的特征,联合使用时域特征和频域特征以丰富特征的判别性信息,并采用低秩融合方法进行特征融合以保留特征内上下文信息以及挖掘时域特征和频域特征相互间关系。此外,该方法对低质量的手指心电信号足够鲁棒,不需要噪声去除和离群样本的丢弃。最后,在UOFTDB和CYBHiDB两个手指心电数据集上的实验证明了该方法优于现有的方法。此外,消融实验证明了方法的每一部分的有效性。