随着互联网时代的高速发展,智能手机已经成为人们生活中不可或缺的组成部分,被广泛应用于社交,电子商务,商业以及娱乐等各个领域。与传统通讯工具仅支持电话短信等通讯功能不同的是,智能手机上安装的应用程序赋予其更多的功能,再加上互联网的介入,使得智能手机真正成为了功能丰富的智能终端。与此同时,安装在智能手机上的各种社交类应用包含了用户的私人信息,而支付宝,微信等可支付类软件还涉及到用户财产信息,因此,智能手机上的数据非常敏感,智能手机的用户安全显得尤为重要。由于目前智能手机普遍搭载有高精度、低功耗的内置传感器,为解决上述问题,本文提出根据智能手机运动时的传感器数据来对用户身份进行识别。具体研究内容如下:(1)分两种场景获取模型研究的手机传感器数据:自行采集和搜索公开数据集。编写Android应用程序自行采集用户摇动手机产生的数据构建数据集;选取符合手机身份识别的公开手机传感器数据集。(2)原始感知数据的处理。因为对用户的身份识别要求高准确率,所以需要处理无关数据和由于传感器硬件设备差异造成的噪声。从频域角度提取信息增大用户之间的区分度,进行输入前的其他预处理操作。(3)针对现有识别方式的缺陷,从探索智能手机运动时产生的传感器数据出发,对应于两种数据集,提出一种结合卷积神经网络和循环神经网络的用户身份识别模型。其中,双流(Two-stream)卷积神经网络用于提取传感器数据的时域和频域特征,之后的融合卷积用于融合不同类型传感器的时频特征;时钟循环神经网络进一步分析卷积后得到的特征序列中的隐藏信息,同时挖掘时间序列的前后联系。(4)所提模型与普通卷积神经网络和传统机器学习算法进行对比,实验结果表明本文提出的模型性能优于其他方法,相较于其他类似工作在性能上也具有优势,能够在多种场合下有效地识别出智能手机用户的身份,具有良好的普适性。