随着数字化的发展,如何安全的识别个人身份已经成为社会关注的热点。生物特征识别以自身所具有的便携性、唯一性渐渐走入人们的生活。一些传统的如指纹、声音、人脸、虹膜等生物特征开始在社会各领域中广泛适用。然而上述特征存在容易被窃取、被伪造等缺陷,难以满足日益提高的安全性需求。脑电作为一种新型的生物特征,既有传统生物特征的特点,又具有活体检测、抗伪造、高隐蔽性等优势。上世纪末,研究者就开始将脑电应用于身份识别领域进行探索,但是到目前为止,基于脑电的身份识别研究还在起步阶段,在实验范式设计、特征提取、便携性等方面依旧有待进步。本文针对深度学习方法在脑电信号身份识别的应用问题,在实验范式设计、数据预处理、脑电数据组织、卷积神经网络改进、脑电在身份识别中的持久性等方面进行了深入研究,设计实现了具有入侵鉴别功能的基于深度学习的稳态视觉诱发脑电身份识别系统。论文主要内容和贡献在于:第一,根据稳态视觉诱发脑电信号研究的相关文献和人的视觉形成机制,设计了三种不同颜色的频率闪烁诱发实验范式,该范式一方面可以诱发出信噪比较高的信号,另一方面使得个体实验期间更加舒适;第二,针对于各个电极脑电信号来自不同脑区的特点,设计了四种不同的电极选择模式,通过实验有效的减少脑电信号的冗余,同时,针对卷积神经网络的输入要求,对稳态视觉诱发脑电信号进行有效组织,形成电极-采样点数据矩阵;第三,对Deep Conv Net和Shallow Conv Net两种卷积神经网络进行改造,并使用密集裁剪的方式扩充数据集,同时采取滑窗训练的方式在数据增多的同时减少计算量,再通过添加惩罚函数修改参数优化函数,使得在训练阶段网络更加关注相邻样本间共同存在的稳定特征且对于样本间差异进行惩罚,从而提取被裁剪样本的脑电信号共同特征提升算法准确率,设计多分类器阈值进行入侵者鉴别;第四,研究了稳态视觉诱发脑电在身份识别应用中的持久性问题。实验结果表明,同批次采集数据上的准确率达到100%;对于6-12Hz中多个闪烁频率,频率上升,所诱发出来的脑电信号在本文系统中效果更好;而颜色则呈现蓝色最佳、黄色次之、红色再次之的趋势。而对于间隔两周的不同批次采集数据,论文设计的多分类深度网络准确率达到91.85%;除了个别人员可能受自身因素影响,其余系统注册人员的稳态视觉诱发脑电信号具有一定的持久性。