如何安全可靠地对人的身份进行识别,从古至今都是一个十分重要的问题。随着信息技术的发展,基于生物特征的身份识别和认证由于其独特的安全性和便携性已成为热点领域,并得到了深入的研究和广泛的应用。基于指纹、人脸、步态、声音、虹膜等生物信息进行个人身份识别的应用越来越多,但由于这些特征的固有特性,它们在防伪造、是否活体采集等方面存在不足,在一些特定的场景中使用还有缺陷。相比于指纹、人脸等一些生物特征识别技术,脑电(Electroencephalography,EEG)、心电等生理信号具有更加隐蔽、独特、不易伪造等特性,在身份识别方面得到了越来越多的关注和研究,极大的丰富与完善了该生物特征识别技术的发展与应用。本文就基于脑电信号的身份识别问题,主要研究了利用稳态视觉诱发脑电信号(Steady-State Visual Evoked Potential,SSVEP)进行身份识别的相关理论和方法。论文参考以往文献中脑电采集的范式,设计了对被试稳态视觉诱发脑电的采集实验方案;并研究了基于经验模态分解(Empirical Mode Decomposition,EMD)的脑电信号预处理方法。在此基础上,论文提出了以下两种方法对采集到的脑电信号进行个体身份识别:(1)基于频域编码的稳态视觉诱发脑电身份识别。根据稳态视觉诱发脑电信号的频域特性,论文对被试个体的脑电频谱进行编码,形成反映个体的特征向量。并使用特征向量对个体进行匹配识别。实验表明,在一段持续时间内采集到的每个个体的稳态视觉诱发脑电信号都比较稳定且每个个体间的脑电信号又存在较大差异,识别率可达到90%-92.95%;(2)基于深度学习的稳态视觉诱发脑电身份识别。论文深入研究了目前流行的深度学习方法,根据所用到的卷积神经网络(Convolutional Neural Networks,CNN)的特点,提出了一维脑电信号向三维图像转换的方法,该方法保留了脑电信号大量的时频信息以及多个电极的空间信息。设计了一个多分类网络以及一个由多个二分类网络组成的识别系统对被试在不同时间段(每间隔五个月采集一次,共三次)采集到的稳态视觉诱发脑电信号进行了分析与身份识别。实验表明,在参加实验的被试中,有3个被试的稳态视觉诱发脑电信号在较长时间间隔仍然保持稳定,而另外4个被试的脑电信号则发生了一定的改变。且相比于多分类网络,使用由多个二分类网络组成的识别系统的识别效果更好。在对需要识别的实例连续进行两次检测后,该系统的识别准确率可达到93.57%,并且该系统还可以有效的对不属于系统用户中的另外2个充当非注册用户的被试进行拒识检测。最终,根据各实验结果,本文给出了通过建立稳态视觉诱发脑电信号数据库来对个体进行身份识别的具体流程,并对建立的脑电数据库所拥有的基本功能进行了详细介绍。