在信息和经济高速发展、网络迅速普及的当今社会,基于指纹、人脸、虹膜等生物特征进行身份识别已经在金融安全、访问控制、医疗、安防监控和资料保密等领域得到了广泛的应用。而基于心电图(Electrocardiogram, ECG)的身份识别技术研究也已经格外引起了国内外研究学者的注意。目前,心电信号身份识别技术受到消噪、特征提取等限制,致使心电信号的识别效果难以提升。深度学习作为机器学习和神经网络的科技新锐,在人工智能领域发挥了重要作用。其中卷积神经网络在图像识别上已取得举世瞩目的成绩,而且其无需复杂的图像预处理和特征提取等步骤。本文围绕心电信号身份识别的难点,采用卷积神经网络来完成相应的改进。本文研究了卷积神经网络应用于ECG身份识别的优势,并通过实验得到了印证,具体工作如下：1.本文阐述了指纹、虹膜等传统生物特征在身份识别领域的应用情况,对ECG波形的产生和各导联意义进行了简单介绍,并对其用于身份识别的可行性及发展现状进行了分析。2.本文简单介绍了深度学习的发展历史,着重介绍了卷积神经网络发展历程、网络结构、特性、训练过程等,并通过实例解析加深了对卷积神经网络的理解和认识。接着,分析了当前一些ECG身份识别方法的缺陷,并针对这些难点构建了适用于ECG身份识别的卷积神经网络整体结构。3.本文对实验数据样本进行了简单预处理,包括它的工频消噪和导联卷积正则化,构建了用于ECG识别的卷积神经网络。在其基础上做了多组实验,讨论了卷积核、学习率的选取对实验结果的影响。此外,还同支持向量机、BP神经网络及RBF神经网络这三种不同分类器进行了对比实验,结果表明本文采用的卷积神经网络相对其他方法在识别率和训练速度上均体现出明显优势。因此本文对于心电信号身份识别技术的研究具有探索性意义。