传统的身份验证策略(如密码和智能卡)因为它们可以被共享、遗忘、复制、操纵或伪造，其安全性存在隐患。与传统方法不同，生物识别是基于人的生理或行为特征进行身份识别的科学，已成为确定个体身份的合法方法。如今，生物识别技术已不再局限于刑事执法，更多企业使用生物识别技术来管理对建筑物和信息的访问。然而，大多数单模态生物特征识别受到诸如噪声数据，非普遍性和欺骗攻击之类的限制，使得它无法达到现实世界应用的性能要求。
　　为了克服单模态方法的这些缺点，本文提出了一种新颖的安全多模态生物识别方法，使用不同的融合方法将心电图(ECG)与指纹相结合。该方法克服了单一方法的局限性，提高了整体方法的性能并增强了安全性，对欺骗攻击具有更好的鲁棒性。与其他多模态生物识别方法(例如，面部，耳朵和基于指纹的多模态生物识别系统)相比，ECG信号可以容易地从手指获取，这使得系统非常方便和有效。此外，ECG信号只能从活人身体获取，因此还可以据此进行活体检测，使系统具有更强的抗攻击能力。
　　本文的第一部分研究了心电图和指纹作为单模态生物识别的方法。为此，我们首先提出一种改进的生物哈希和矩阵运算方法，为生物识别系统生成了一种新的可取消的心电图模板，这种方法比其他可取消的方法更安全；其次，我们提出了一种Q-Gaussian多类支持向量机(QG-MSVM)作为指纹认证的分类器，在指纹分类精度方面优于其他MSVM方法。
　　在本论文的第二部分，我们提出了一种安全的多模态生物识别方法，该方法使用基于心电图和指纹的不同级别融合的卷积神经网络(CNN)和QG-MSVM。首先，我们提出了两种不同级别融合算法的认证方法：特征级别融合和决策级别融合。使用CNN执行针对各个模态的特征提取。在此步骤中，我们从CNN中选择了两个实现最高精度的层，其中每个层都被视为分离的特征描述符。之后，我们使用提出的内部融合将它们组合在一起以生成生物识别模板。在下一步中，我们应用改进的生物哈希技术来保护这些模板并提高其安全性。在身份验证阶段，我们提出QG-MSVM作为身份验证的分类器以进一步提高性能。其次，我们提出了一种基于CNN融合心电图和指纹的安全多模态生物识别方法。先使用CNN执行各个模态的特征提取，然后从这些特征生成生物特征模板，再应用矩阵运算技术来保护这些模板。在身份验证阶段，我们使用QG-MSVM作为分类器来提高身份验证性能。最后，我们使用评分水平融合来做出最终决定。本文提出的所有方法在几个公开的心电图和指纹数据库上进行了测试。实验结果表明，所提出的多模态方法比现有的多模态认证算法高效、鲁棒、可靠、它可以部署在实际应用中。