智能手机已经成为人们生产生活中必不可少的一份子,其嵌入的传感器具有微型化、多功能化、智能化等特点。智能手机功能强大、小巧便携,但是也容易丢失。常见的防丢失方法是在手机端安装特定的软件,在手机丢失后用户可以远程定位手机并控制手机。这是一种后知后觉的方法,在用户意识到手机丢失时已经无法补救。本文使用人体步行时的特征来辨别用户,这种用户识别不需要直接的人机交互而且对环境没有特殊要求,能够在最大程度上减少手机丢失给用户带来的损失。智能手机确定用户的方法主要包括独立密码、指纹识别、人脸识别等,但是在不进行直接的人机交互时,上述这些方法并不能帮助手机识别出自己的“主人”。本文的主要工作是通过对手机加速度传感器和陀螺仪采集的数据进行分析来实现用户识别。加速度传感器可以获取手机三维方向上的加速度、陀螺仪可以采集到手机偏转时的三维角速度,这些数据中都包含了用户独有的行为特征。现今,深度学习在多个领域取得了引人注目的成就,所以使用深度学习来完成本文的工作是可行的。本文的主要目标是使用深度神经网络从手机传感器采集的数据中提取出用户所独有的特征以实现用户识别的功能。本文中,重点研究了手机传感器数据的获取、数据预处理以及数据集的生成和深度神经网络结构以及用户识别等内容。在用户识别的整个实验过程中,使用加速度传感器和陀螺仪进行数据的采集,然后将采集的数据经过预处理之后生成自己的数据集并输入到深度神经网络中进行特征提取和分类。在深度神经网络框架的构建中,首先将不同传感器采集的数据输入到独立卷积神经网络中进行各自的数据特征提取,再将得到的两种特征进行融合后依次输入到融合卷积神经网络层和自注意力机制层中,提取出两种数据的外在联系以及时序特征。最后将这些特征输入到全连接层进行分类并输出分类结果。本文介绍了在不同深度神经网络框架下进行用户识别的多个实验过程及结果,从这些对比实验的实验结果中可以看出,上述介绍的神经网络框架在实验中表现最佳,其准确率达到了97.5%。本文主要是在闭集的前提下做出研究,属于前期工作,后续会将网络运用到开集的情况中以实现用户识别。