生物特征识别是指利用人体自身生理特征(如人脸、指纹、虹膜和静脉等)或行为特征(如步态、声音和笔迹等)作为依据的身份识别技术。相比于密码、证卡等传统身份识别技术，生物特征识别技术具有简洁快速、不会遗忘和安全可靠等诸多优势，具有广阔的应用前景、巨大的社会和经济效益，已经引起了国内外学术界和工业界的广泛关注和高度重视。基于心电信号的身份识别(以下简称心电身份识别)是一种新兴的基于人体生理特征的生物特征识别技术。相比其它生物特征，心电信号作为人体内生物特征有活体性、普遍性、数据量小和信息丰富等独特优势。近几年，伴随低功耗、小体积和无需导电胶的便携移动式心电信号采集设备的出现，心电身份识别引起了广泛的关注，在身份识别领域成为研究的热点。
　　因为采集设备、身体位置和采集环境等多种因素的影响，心电信号往往含有不同程度的噪声。虽然很多心电信号噪声消除的方法被提出，但由于心电信号噪声的源头是多重的，其影响是复合的，现有去噪方法还不尽如人意。另外，心电信号容易伴随生理和心理的变动而变化，这些变化会导致心电信号波形的拉伸或收缩形变，从而造成同一个体的心电信号波形在不同时间和不同状态下存在一定差别，本论文称之为类内变化问题。心电信号存在的噪声和类内变化问题，为心电身份识别走向实用带来了障碍，迫切需要新的技术手段加以解决。
　　本文从心电信号的特征学习和多特征融合的角度，研究应对心电信号噪声和类内变化问题的有效方法，提高心电身份识别的鲁棒性和有效性。本论文的主要工作和贡献如下:
　　1.针对传统的基于稀疏表示的心电身份识别方法在小样本情况下对噪声和类内变化鲁棒性不强的问题，提出了一种基于多尺度深度级联双边森林的心电身份识别方法。所提方法包含多尺度信号编码和深度级联编码两部分，在多尺度信号编码部分，通过构建多尺度特征提取和自适应特征学习，提高了对心电信号特征的描述能力，有助于减轻噪声影响。在深度级联编码部分，在不同层抽象出特征的互补信息，获取含有较高语义和鉴别性的特征，有助于减轻类内变化问题对心电身份识别性能的影响。
　　2.针对现有基于多视图的子空间学习方法对噪声敏感的问题，提出了一种基于样本差异性和多视图鉴别分析的心电身份识别方法。所提方法在多视图鉴别分析的基础上，通过构建类内紧密图和类间离散图，获取样本差异性鉴别信息以提高多视图鉴别分析能力。另外，通过增加降噪约束以消除冗余信息，进一步增强多视图鉴别分析的学习能力。
　　3.针对噪声和类内变化导致多特征联合稀疏表示学习性能下降的问题，提出了一种基于多特征联合稀疏表示的心电身份识别方法。所提方法构建了基于多约束的多特征联合稀疏表示目标函数，不仅利用一致性约束和成对约束提高多特征稀疏表示的识别性能，同时结合单一特征约束增强不同特征的表征能力，有助于消除心电信号中存在的噪声和类内变化问题。
　　4.针对现有基于协同矩阵分解的模型在构建语义空间时很少考虑噪声影响的问题，提出了一种鲁棒多特征协同非负矩阵分解的心电身份识别方法。所提方法在多特征融合过程中嵌入标签信息和多个范数约束，在学习过程中同时考虑类内相似性和类间差异性，减少噪声和类内变化问题对多特征协同矩阵分解学习性能的不利影响。