随着信息化时代的高速发展,人类身份识别对于人们的日常生活变得越来越重要,例如在访问控制系统的权限识别、金融交易系统的授权管理、电子商务的账号管理等等方面。绝大多数系统都需要一种身份识别的机制来保证或者确认那些需要申请某些服务的用户和个体的利益。不同于口令或密钥等传统方式,利用生物特征进行个人身份识别显得更安全、更可靠。近十年来,学者们开始逐渐利用心电信号这种生物特征进行个体身份识别。心电信号记录着心脏一段时间内的电活动并且还提供了心脏整体节奏的指示。心电信号作为一种生物特征,对于身份识别系统的优势在于它具有持久性和唯一性,并且还具有非常强的防伪造性。本文首先提出基于神经网络的未知拒绝算法来进行未知个体的识别与拒绝。该算法利用神经网络输出节点中的最大值与次大值,然后执行相应的拒绝策略,从而得出未知个体的识别结果。接着提出了整体外形特征提取算法和局部统计特征提取算法。整体外形特征是对心电信号的RR期间进行均衡化处理。局部统计特征是统计心电信号振幅之间的细微差异特征。为了融合两种特征的各自特点和优势,本文提出一种基于未知拒绝算法的两阶神经网络分类架构,通过这个分类架构来融合上述两种特征提取算法,从而实现心电身份识别系统效果的提高。实验证明,两阶神经网络架构比任何单一特征的在身份识别上效果更好,也比简单的两种特征拼接的效果要好。同时,为了验证这种分类架构的有效性以及扩展到多种特征融合的方式,本文在最后提出一种基于未知拒绝算法的多阶神经网络分类架构,并且在调研和理论方面都论证了多阶分类架构的优势。同时使用了两种产生多特征的方式:第一是通过把局部统计特征中单间隔集转换为多间隔子集的方式来产生多特征;第二是通过对原始心电信号的RR期间进行小波多层分解得到的多个细节系数作为多特征。最后通过实验证明,本文提出的基于未知拒绝算法的多阶神经网络架构比单一神经网络上进行心电身份识别效果上好,同时也证明了适当增加分类架构的阶数,能够在一定程度上提高心电身份识别的效果。