随着互联网金融等行业的发展,个人生物特征被广泛应用于识别生物的个体身份。当前,使用较多的生物特征包括面部特征和指纹特征等。脑电信号也是一种独特的个人生物特征,由于其无法模仿和再现的优势,逐渐受到科研工作者的关注。然而当前基于脑电信号的个体身份识别仍有诸多关键问题有待解决,例如:可被用于身份识别的脑电信号的采集状态依然不明确;传统的脑电信号身份识别的数据特征是少数电极通道采集的单个波段脑电信号的频域特征,采用机器学习进行简单的分类,数据特征单一且分类效果欠佳。针对上述问题,本文进行了探索和改进。课题中基于深度学习的脑信号身份识别,具体是指从不同受试者的多波段多通道的脑电图像数据中来进行深度学习建模找到受试者之间的差异,从而对受试者进行身份识别。本文的主要工作和成果如下:（1）研究了脑电信号的波段特征、信号分析方法;对比分析了机器学习和深度学习中不同算法的实现原理和各自的优缺点;总结了深度学习中卷积神经网络的基本结构和各部分功能;研究了深度学习中的经典神经网络Alex Net框架。（2）本文将脑电信号的多个波段、多个电极通道的数据转换为多光谱图像数据,将脑电信号身份识别的数据特征进行了多空间、频谱维度的扩充,解决了传统脑电信号身份识别数据特征单一的问题。本文采用基于Python实现的VGG-16神经网络的深度学习框架,自动对脑电信号图像数据进行特征提取,最终进行分类和身份识别,实验的最高准确率达到了86.79%,相较传统的脑电信号身份识别实验提高了近10%的准确率。（3）通过本文的研究发现脑信号身份识别效果与相关算法、模型有关以外,还与脑负荷程度有关。为了研究脑负荷与身份识别效果之间的具体关系,本文还通过实验及数据分析对比了不同脑负荷下的身份识别效果,结果表明脑负荷越低的数据样本脑电信号身份识别准确率越高,该结果一定程度上为今后的脑电信号身份识别数据的最佳采集状态提供了可靠的依据。