随着可穿戴智能移动终端的发展,智能终端的安全问题日益突出。基于步态的用户身份识别方法利用可穿戴设备内置的传感器实现对用户身份的识别,具有设备无关性、不受场景的限制和对用户非干扰等特点,是一种有效的非干扰用户身份识别方法。传统的非干扰步态识别方法在可穿戴智能终端设备风险控制领域的应用还存在一些问题,大多数已有的方案是通过加速度传感器、陀螺仪等多种传感器对步态进行身份识别与验证,从而进行手机的风险控制。由于识别的方法设置了许多限制条件,造成该技术的推广和使用具有一定的困难。例如:传感器设备要固定在脚踝、膝盖、腰部等位置同时需要将手机放在特定位置并保证特定朝向,用户需要做特定的动作。其次,通过步态进行身份识别与验证的技术应用到风险控制领域需要一套完整可靠的系统架构。因此,本文提出一种与位置、行为无关的非干扰的身份识别与验证方法,通过用户行为与设备位置的特征迁移提取有效的特征并构建多元数据融合模型实现非干扰用户身份的识别,并以此为核心建立了一套完整的系统实现架构和原型系统。该架构方法的实现提高了用户身份识别的准确度和鲁棒性、改善人机交互体验。实验结果表明本文设计的系统架构也有利于系统整体精度的提升且该方法具有较高的识别率和极低FPR(假阳率)的特点,从而在非干扰用户的情况下提高了 APP和智能手机等智能终端设备的安全性。本文主要贡献如下:(1)提出了一种面向用户非干扰步态身份识别的有效特征提取方法。为了消除步态身份识别过程中用户行为和设备位置的影响,除了提取用户步态特征还分别提取用户行为特征和设备位置位置特征;同时,针对由于个体差异性和设备位置的差异导致的用户行为模型和位置模型漂移问题,提出了一种基于行为位置相关的特征迁移学习方法,利用迁移成分分析将不同用户行为和设备位置的源域和目标域变换到相同的重构希尔波特空间,以消除特征的差异性、提高非干扰步态身份识别鲁棒性。(2)提出了一种多元数据融合的非干扰步态身份识别方法。为了解决用户行为和可穿戴设备位置对步态身份识别的影响,利用加速度传感器数据针对用户行为和可穿戴设备位置分别进行有效特征提取;利用随机森林(RandomForest,RF)算法分别构建用户行为和可穿戴设备位置识别模型,构建多元数据融合的非干扰步态身份识别模(Multi-model Data Fusion based Unobtrusive identification Method,MD-UIM)。实验结果表明,在选取用户行为习惯与智能设备位置关系的五种组合能进行有效的识别,测试精度较传统方法提升了 5%,同时验证了有效特征提取方法的有效性。(3)设计并实现了一套基于多元数据融合的非干扰步态身份识别原型系统。基于本文提出的方法,设计并实现了一套基于多元数据融合的非干扰步态身份识别原型系统。该系统由智能手机加速度传感器数据采集模块、多元数据融合的非干扰不同身份识别模块以及云端管理模块组成,能够实现在非干扰用户的前提下完成用户身份识别。