身份识别技术已成为信息安全领域中一个重要的研究方向,相比于人脸、指纹、语音等其它生物识别技术,心电信号(Electrocardiogram,ECG)的活体检测特性使其具有更高的防伪性,基于心电的身份识别技术研究已经成国内外生物识别领域的研究热点之一。本文的研究主要围绕非约束条件下单导联心电信号的身份识别算法展开,对心电信号的消噪预处理、时频特征提取和匹配识别等关键技术进行了深入研究,提出了基于集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)和卷积神经网络(Convolutional Neural Networks,CNN)的单导联心电信号的身份识别算法。本文主要工作如下:分析并总结了心电信号识别算法研究进展和发展趋势;系统地阐述了心电信号的产生机理、采集方式、波形的内在规律和噪声的来源及特点;详细说明了研究的及数据来源,为后续工作提供理论基础。提出了心电预处理算法。针对传统小波消噪算法存在的伪Gibbs振荡现象和波形失真问题,本文改进了小波阈值循环平移不变算法,并采用模拟和真实采集的,与传统的2种经典消噪算法进行实验比较和性能分析。结果表明无论信噪比高低,本文算法均表现出了良好的消噪能力。引入了盲分割技术替代峰值点定位算法实现心电的自动分段,避免传统特征点提取的繁琐性。提出了基于EEMD分解和希尔伯特谱分析的ECG时频分析方法。EEMD分解把ECG分解为一系列内蕴模式分量(Intrinsic Mode Functions,IMFs),通过希尔伯特变换构造出表征身份信息的时频分布图,全面反映心电信号在时频域的联合分布特征和时变规律,为身份识别提供充分的数据源。设计了基于VGGNet网络结构的卷积神经网络识别模型,优化设计了CNN模型参数,能够自适应提取ECG时频图的时域、频域及能量的联合特征。在Physio Bank/European ST-T数据库和ECG-ID数据库两个数据的联合实验中,取得99.05%和98.57%识别准确率。本文的研究为心电身份识别系统的研发提供了算法支撑,为信息安全等领域提供一种鲁棒性强、防伪能力高的生物识别新途径。