随着现代科学信息技术的快速发展和大数据等技术的广泛应用,这些进步在给人们提供便捷的同时,引发的各种网络信息安全方面的重大问题也被人们所重视。目前,基于生物特征的身份识别技术是研究的热门话题,由于不同个体之间的生理信号存在着较大的差异,具有良好的保密性和唯一性等优点,因而可以将其用于人体的身份验证。本文以医学生理信号中的心电信号和脉搏波信号为载体,设计并验证了一套基于多生理信号的身份识别网络化系统。首先,本文对获取到的ECG和PPG信号进行预处理。由于传统的特征提取方法获得的时频域特征不能将信号完整的表示,从而不能取得理想的识别效果。因此在PPG信号特征提取方面,本文提出了一种基于粒子群改进的正交匹配追踪算法,在超完备原子库中选取的最佳原子集能很好的重构出原始信号,不仅完成PPG信号的稀疏分解,还提高了最佳原子的搜索速度,并且将决定最佳匹配原子的时频特性参数作为PPG信号的特征,获得了较为理想的识别效果,大幅提高了算法的效率。然后,为了应对实际应用中可能存在个体其中一个信号波形较差,而另一个信号的波形较好的状况,为增强系统的稳定性,本文提出了一种基于典型相关分析的多模态信号的特征级融合算法,实现了特征互补,弱化单一特征固有缺陷的影响。为了进一步缩短算法运行时间,提高系统性能,本文先利用主成分分析算法实现特征的第一次降维,然后采用CCA算法对特征进行二次融合,从而得到最终的融合特征向量。然后搭建了一种基于深度信念网络的身份识别系统模型,将融合特征向量导入模型进行训练和识别。经过实验表明,基于PCA-CCA和深度置信网络的身份识别模型的分类识别效果更好,正确识别率高达97.43%。最后,本文构建了一套基于ECG与PPG信号融合算法的网络化身份识别系统。该系统的硬件设计主要有信号采集和网络通讯的功能,软件部分则负责数据通讯、算法实现以及可视化界面的显示。最后对该系统进行实验,验证了本文所提身份识别系统的可行性。