随着经济、科技的高速发展,信息安全变得日益重要,身份识别技术是保证信息安全的一个重要途径。传统的用来进行身份识别的方法例如通过指纹来判别身份,或是利用身份证、护照等证明身份,再者利用密码确认身份等存在一些被盗用、冒用或者遗忘的缺陷,无法满足人们日益增长的安全需求。生物特征识别依据人体固定存在的生理信号特征来判断个体的身份,而生理信号不易被窃取或伪造,所以利用其进行个体身份的识别提高了识别的安全性和可靠性。基于以上分析,本文提出了以人体光电容积脉搏波(PPG)信号作为研究对象的身份识别方案,并设计了一套网络化的身份识别系统。本文首先对PPG信号进行滤波、特征点标记、单周期划分等预处理工作。由于传统的特征提取方法提取的特征包含的信号信息不完整,可能会影响识别的准确性。为了避免这个问题,本文利用匹配追踪(MP)稀疏分解算法以少数最佳原子还原PPG信号,并将可以决定原子的时频特性参数作为提取的特征,由于原子可以高精度的还原PPG信号,所以其时频特性参数包含更加完整的信号信息,并且为了提升MP算法处理PPG信号的性能,本文根据PPG信号的特性对算法进行了速度以及精度上的改进。在获取特征后,利用Relief算法剔除对于识别意义不大的特征,保留关键特征,组成最终的特征向量。为了获得更高的识别准确率,本文利用机器学习方法搭建分类识别模型。分别利用决策树和支持向量机(SVM)两种算法进行搭建,并针对PPG信号的特点对两种算法做出相应改进。在构建决策树中,首先通过对模糊属性的忽略,减小了错判误差并且降低了决策树的复杂性,然后在利用ID3算法计算信息增益时添加一项特征重要度,避免因特征取值数量而产生的信息增益的误判,提高了分支特征选择的有效性。在创建SVM分类识别模型时,由于PPG信号特征的非线性性,本文选定径向基核函数进行高空映射,并利用乌鸦搜索算法为核函数参数以及惩罚因子搜寻最佳值。经过实验对比,利用乌鸦搜索算法优化的支持向量机分类模型的各项性能指标最佳。最后,本文利用Wi Fi模块或Internet实现了数据的远程传输,并在上位机或者云计算平台上完成算法功能的实现,最后将测试结果通过上位机界面或者手机等智能终端实时显示,构建出一个网络化的身份识别系统。