如今,个人信息安全逐渐成为社会热点问题。在金融安全、访问控制和资料保密等场景都需要身份识别技术来确保信息安全。当前,生物特征已成为身份识别技术的主要载体,如人脸、指纹、虹膜等,但此类生物特征存在易丢失、易盗用以及存在损伤风险等缺点。心电图（Electrocardiograph,ECG）信号极难伪造、形态稳定,而且是一维信号,便于存储、计算和处理,可补充现有生物特征无法满足的身份安全需求。ECG身份识别技术能够极大提升身份识别的安全性并降低存储与计算资源成本,被国内外学者广泛研究。现有文献已经提出了许多有效的心电信号身份识别方法,但仍存在以下问题:（1）传统机器学习方法和常规的卷积神经网络（Convolutional Neural Network,CNN）无法提取ECG信号中的空间特征,表达方式较为单一,识别准确率和泛化性能仍待提高。（2）实际场景下,个体心率会受身体状态或环境影响而发生变化,导致心电信号波形发生变化,使得身份识别准确率降低。针对准确率和泛化性能不足问题,本文构建了幻影胶囊神经网络（Ghost-Capsule Neural Network,Gh-CapsNet）实现高准确率的ECG身份识别,该方法集成了幻影网络（GhostNetwork,GhostNet）和胶囊神经网络（Capsule Neural Network,CapsNet）两种架构的优势。CapsNet可以将特征信息封装为胶囊矢量,补充了卷积中的标量特征中所缺少的方向信息,增强了模型的语义表征能力。GhostNet在卷积的基础上加入了线性变换生成幻影特征图,并将卷积获得的初级特征图与幻影特征图拼接后输出。该模块的应用改善了原始胶囊网络的卷积部分,在不牺牲精度的同时降低了模型参数量。经过实验验证,Gh-CapsNet的心拍识别率以及身份识别率均优于原始胶囊神经网络和常规卷积神经网络,参数量也小于其他模型。Gh-CapsNet在ECG-ID、PTB以及MIT-BIH-AHA数据库上分别达到了98.88%、99.37%和100%的识别准确率。基于Gh-CapsNet的ECG身份识别方法的身份识别准确率相比于文献中的方法具有一定优势。针对心率变化场景下的身份识别准确率降低问题,本文提出了一种基于心率校正和Gh-CapsNet的ECG身份识别方法。首先,提出一种局部信号重采样的心率校正方法,该方法对原始心电中受心率变化影响较大的局部信号进行重采样,保留了更多心率稳定的片段,有效地校正了同一个体不同心拍间的心率差异。与现有的心率校正方法相比,本文方法未对Q、S等微弱特征波进行检测,避免了检测误差。然后,在识别阶段采用本文所提出的Gh-CapsNet对心率校正后的心拍进行识别。为了验证方法的有效性,在ECG-ID、PTB与MIT-BIH ST Change数据库中进行了实验,分别达到了100%、99.65%和99.41%的准确率。通过与现有文献中的方法对比,该方法具有较高的身份识别准确率和良好的泛化性能。