近年来,随着互联网和信息技术的快速发展,日常便捷的生活环境中离不开个人身份识别系统。利用人体固有的生物特征实现身份识别具有更高的可靠性,因此被学者广泛研究。心电信号是记录心脏起搏的电活动过程,包含丰富的身份信息并且满足身份识别的基本特性。与现有的生物特征相比,利用心电信号（ECG,Electrocardiograph）进行身份识别的主要优势为:ECG信号是通过活体测量,难以伪造;信号不会受外界影响而丢失,终生存在;ECG信号是一维信号,容量较小;信号的采集成本较低,采集方便。因此,基于心电信号的个体分类模型为安全可靠的身份识别研究提供了新的思路。通常利用心电信号身份识别包含三个步骤:ECG信号的预处理、特征提取及处理、特征的分类识别。其中,特征提取与处理算法对分类识别的结果至关重要,传统的特征提取算法存在过于依赖信号的可视化特征、面对突变数据模型的鲁棒性不强、多源数据模型的泛化性能不足等问题。具体表现为以下三个方面:（1）底层特征提取算法无法挖掘信号深层信息,使得分类精度难以提高;（2）当人们在运动以及情绪波动状态时,模型的分类效果容易受到影响;（3）面向采集条件不同的信号来源时,模型的泛化能力不足。针对现有身份识别模型中存在的以上问题,在基于心电信号的生理特性基础上,利用深度学习相关算法对特征进行挖掘与自动学习,展开面向ECG身份识别的深层特征提取算法研究。论文的主要工作内容如下:1.提出了基于尺度特征长短时记忆神经网络心电信号身份识别算法,实现了低维特定尺度信号表示的深层特征提取。该模型首先利用高斯金字塔（GP,Gaussian Pyramid）技术对固定截取的心电信号片段执行下采样操作,实现信号的多尺度分析。随着金字塔的层级越高,信号的尺寸减小、分辨率也有所降低。选取合适的尺度空间信号表示,输入至两层长短时记忆（LSTM,Long Short-Term Memory）神经网络模型中。鉴于LSTM结构具有记忆单元,擅长处理长时的心电信号,且随着深度学习的进行,深层特征的非线性表达能力逐渐增强,最终网络的Softmax层作为分类层对个体身份进行识别。将提出的模型分别应用在健康人与心律失常疾病个体的数据库中,实验结果显示,经过神经网络获取的深层特征能够准确识别健康的个体,并且该模型的特征分类准确率是明显高于底层形态特征的分类结果。2.提出了基于心率差异性片段池化自编码网络的心电信号身份识别算法,解决了固定的特征截取方式对于心率变异的局限性。在特征处理过程中,传统的对R波前后截取样本的分割信号方法,由于心率变化的问题存在,使得特征片段的波形信息不一致,识别率难以提升。因此为了消除个体运动后等情况引起的心率变异性对信号识别的影响,采用动态分割的心拍数据结合片段的空间金字塔池化层,获得相同维度的FSPP（Fragment Spatial Pyramid Pooling）特征输入自编码网络（AE,Autoencoder）。级联训练后的两个自编码器作为隐藏层与Softmax分类输出层,构成一个完整的深度识别网络,采用误差反向传播进行微调,实现准确的个体分类。分析该模型应用在心率变化与心脏疾病个体数据库的仿真结果可知,通过对FSPP特征学习能够获取具有区分度的深层数据,其性能要优于浅层机器学习的分类模型,从而提升身份识别算法的鲁棒性。3.提出了两级融合特征提取算法的混合心电信号身份识别算法,实现了不同采样频率下混合数据的高效识别。首先对分割的心拍数据分别提取Hilbert变换与功率谱的特征,合并两种特征作为初级融合特征。其次输入PCANet（Principal Component Analysis Network）结构提取信号的深层语义特征。考虑到PCANet两层特征是从不同角度对初级特征进行描述,并且PCANet提取的特征维度较高,因此提出MF（Max Fusion）算法将两层自动学习特征进行数据融合与压缩。最终采用线性核支持向量机获得特征分类的标签,完成对个体的身份识别。第一级的初级融合特征能够克服采样频率的不同对混合数据集的识别影响,第二级的PCANet融合特征不仅可以获得具有个体差异信息的深层特征,同时大幅度减少特征维度。综合两级的融合特征算法,实现了不同层级信息的互补,并在单个数据库与混合数据集中,均获得较高的识别精度,验证了模型的泛化性能。