随着科技的高速发展,人们对信息和数据的安全性要求越来越高,数字密码等传统的身份识别方法逐渐难以满足当前社会的高需求。在这种背景下,生物特征由于其不易遗忘、不易丢失等特性,越来越广泛地被应用于身份识别领域。与较常见的人脸、指纹、虹膜等生物特征相比,心电信号具备易采集、易处理、难复制以及活体检测性等优势,有着独特的应用前景。目前国内外对于心电信号身份验证方法的研究已取得许多进展,但还存在一些不足之处,如算法时效性不高、实验数据规模较小,难以满足实际需求,而且这些研究大多只针对算法,并未实现适用于移动端的身份验证系统。针对上述问题,本文的主要内容如下。（1）设计了两种基于心拍特征间欧式距离的验证方法,将识别任务由针对信号特征的多分类转变为针对信号间相似度的二分类,根据特征间欧式距离的分布情况进行相同人和不同人的识别。方法一:基于特征间距离分位数的判别方法。在注册阶段,利用注册者特征间欧式距离的分位数设定阈值条件。在匹配阶段,计算注册者和验证者特征间的欧式距离,得到用于匹配的距离数据集。当该距离数据集满足阈值条件时,则判定身份验证通过。方法二:基于特征间距离概率密度和随机森林的判别方法。在注册阶段,利用高斯核密度估计法计算注册者特征间欧式距离的概率密度,输入随机森林进行训练。在匹配阶段,计算注册者和验证者特征间欧式距离的概率密度,输入随机森林进行测试。训练和测试时,将相同人概率密度的标签设置为“1”,不同人概率密度的标签设置为“0”。（2）对两种方法分别在A、B两数据集进行验证。A数据集来自公开数据库,包括1000人规模的1000条短时心电信号。B数据集来自自建数据库,包括87人规模在三周内采集的261条长、短时心电信号。基于特征间距离分位数的判别方法在A数据集和B短时数据中测试得到的AUC能够达到0.98,EER能够低至0.0313。在B长时数据中测试,发现AUC下降到了0.93左右、EER上升到了0.15左右。基于特征间距离概率密度和随机森林的判别方法在B长时数据集中得到的AUC能够达到0.97,EER能够低至0.10,与前一方法相比受到时间的影响减小了。（3）将算法移植入便携式计算设备,基于Jetson TX2硬件平台完成了移动端功能的验证。综上所述,本文设计的身份验证方法利用了心电信号之间的相似性统计信息,不仅在大规模短时数据上表现出较高的准确性,而且在长时数据上也表现出了一定的时效性。同时,本文完成了移动端的功能实现,为心电信号身份验证系统的研发提供了技术支撑。