近年来,智能手机安全性的问题越来越受人们关注,用户识别认证在保证智能手机安全方面扮演着重要的角色。随着对便携式设备安全性要求的提高,针对智能手机已经提出了各种各样的用户身份认证技术,其中包括基于加速度计数据的身份认证。然而,基于加速度计数据采集的时间序列信号非常复杂,信号具有高度非平稳特性,信号的统计量特征随时间变化很大,因此给用户识别研究带来了挑战。在这项工作中,采用十个不同用户在步行、下楼和上楼过程中采集的加速度传感器数据,通过对步态数据进行同调分析的方式,构建了一种新的在线用户识别认证模型,区别于传统基于时域和频域特征的认证方法,提出了一种基于微机电系统（Micro-Electro-Mechanical Systems,MEMS）传感器数据同调的在线身份识别方法。主要研究工作包括:1.本文详细描述和推导了步态时间序列信号基于时域、频域的统计量特征和基于相空间的拓扑特征。对于相空间的拓扑特征的构建,首先,将加速度信号映射至相空间中,利用持续同调描述加速度信号在相空间中的拓扑结构。其次,利用持续同调图（Persistence Diagrams,PD）描述单段步态信号的拓扑特征,推导并计算PD的概率分布。最后,为减弱由噪声引起的不确定性给PD的拓扑结构所带来随机性,构建了比单个PD更具鲁棒性的特征——持续同调期望（Expected Persistence Diagrams,EPD）。由于不同的人拥有不同的走路风格与习惯,因此每个人的步态时间序列在相空间的拓扑结构与拓扑特征也会不同,从而导致不同人的步态时间序列转换所构建的EPD也会有所差异,以此分析不同用户的加速度计数据中固有行走模式。2.提出一种基于支持向量机（Support Vector Machine,SVM）的身份认证系统和基于概率神经网络（Probabilistic Neural Network,PNN）的身份认证系统。以SVM为分类器,基于步态信号统计量特征的身份认证准确率为82.68%;以PNN为分类器,基于步态信号统计量特征的身份认证准确率为85.5%。同时,将基于EPD的特征输入SVM和PNN,得到了优于基于统计量特征的结果,以EPD为特征,基于SVM的身份认证准确率为92.73%,基于PNN的身份认证准确率为92.08%。3.提出一种基于K-L散度的身份认证系统。不同用户行走模式的差异可以通过计算EPD分布函数的K-L散度来衡量,采集到的未知用户数据可以通过与用户预先存储的训练数据所产生的潜在模型计算K-L散度来进行判定是否是匹配用户,通过EPD的特征和K-L散度的决策度量构建了一个具有鲁棒性的在线用户识别系统,基于K-L散度的识别准确率达95%。