目前互联网跟人们的生活息息相关,网络安全事件也层出不穷,人们在网路中的隐私数据成为了攻击者的目标。身份认证是登录系统的第一环节,也是保护网络安全的第一道防线,传统基于静态口令的认证方式需要人为记忆且存在弱口令的问题,也很容易遭到暴力破解、撞库等手段攻击。所以无口令身份认证技术成为国内外的研究热点,现有的无口令认证方案主要是通过硬件设备和生物特征进行身份认证,但是基于智能硬件的认证方式面临着硬件损毁、丢失或者被盗取的风险,而基于用户生理行为的认证方式,需要额外依赖专业的信息采集设备且只能提供一次性的认证服务,无法对用户登录后的操作进行持续性的行为检测。针对以上问题,本课题对无口令身份认证技术进行研究。首先,采用用户终端系统的软件操作行为和WEB端的浏览行为,分别训练基于深度学习的用户行为分类模型,将训练好的深度学习模型当作用户的行为特征匹配模板。同时,为避免单一认证机制容易失效的问题,采用多模型数据融合的方式对两种行为分类模型进行融合,建立用户双视图行为的身份认证模型。其次,在多模型数据融合时,提出一种权重自适应的加权和融合算法,来对各部分模型的融合权重进行调优以取得最优的融合结果,避免人为设置权重对融合结果的影响,进一步提升模型的识别准确性和健壮性。此外该算法还可以在用户某一种行为习惯发生改变时,动态的调整各个子模型的融合权重来适配认证模型,给高识别准确度模型分配更高的融合权重,从而提高认证准确率。最后,本文使用信任管理模型并结合以上两个创新改进的算法,设计实现了无口令身份认证算法库供第三方调用,该算法库可以有效的为用户提供基于PC系统操作行为和WEB浏览行为的身份认证服务,以及在用户登录后继续对其身份真实性进行动态检测的服务,并通过实验测试证明算法有效性。