随着大数据、互联网、计算机技术以及数据获取方法、设备的快速发展,个人身份识别技术已经在国家公共安全与监督服务、周界安防与军事侦察领域、医疗卫生等方面得到广泛的关注。传统的身份识别技术主要是基于身份证、口令、智能卡等技术,这些传统方法通常存在使用不便捷、伪造、丢失等缺点。因此传统认证方式存在着安全隐患,尤其随着社会的发展需要开展身份认证的环节越来越多,传统身份识别技术在一些应用领域难以满足现代社会科技高速发展的需求。近年来,以虹膜、指纹、人脸、步态、声纹等为媒介的生物识别技术不断出现。其利用人体相对稳定的生理特征,以及具有一定生理学基础,可以反映人的心理变化的行为特征,结合图像处理、模式识别等计算机技术,实现了个人身份的识别。例如,虹膜识别可以通过对比虹膜图像特征来甄别用户身份。指纹识别可利用指纹唯一性的特征进行图文采集存储,通过对指纹图案、纹路的不同进行用户身份的识别。人脸识别技术更是应用广泛,通过摄像机或摄像头,采集人脸的图像或视频,分析人的脸部特征,完成身份识别。声纹识别也是生物识别技术的一种,也被称为说话人识别。通过引起人体讲话器官尺寸和形态的差异,分析声纹图谱,来进行说话人识别。步态识别是通过摄像头采集行走视频,从步态轮廓中提取特征,从而实现身份识别。虽然以上介绍的生物识别技术得到了较好的应用与发展,但是基于虹膜、指纹、声纹的生物识别技术通常需要参与者或使用者的主动配合;基于人脸和步态的生物识别技术需要对采集到的图像或视频进行分析,对于一些不便安装摄像头或摄像机的区域,例如周界、私人场所、涉密区域等地,两种技术会受到限制。对于一些违法犯罪活动,嫌疑人会故意躲避装有摄像头的区域而从事违法犯罪活动。私挖地道、走私通道而进行走私、盗窃、越狱等违法犯罪活动也很难通过虹膜、指纹、人脸等生物识别技术进行监测。因此,本文研究了一种基于脚步振动信号的生物识别技术。脚步振动信号属于人类行为特征的一种,脚步振动信号蕴含了人员个体的性格、性别、年龄、身高、体重等信息,可以通过对脚步振动信号的分析,来实现个人身份的识别。本文主要从高精度采集仪器设计与开发、信号降噪、特征提取、特征选择、分类识别几方面展开相关研究。（1）首先结合地球物理学的知识对脚步振动信号的产生机理进行了分析。根据脚步振动信号传播特点,设计并开发了高精度脚步振动信号采集仪器,该仪器是在国家重点研发计划课题三-CO2注入及封存状态地质与地球物理监测技术与装备（2018YFB0605503）项目的支撑下进行研发的,不仅可以用来进行地球物理监测,还可用于脚步振动信号的采集。本文选用高灵敏度、抗噪性能好、频带宽、体积小、具有线性相位的MEMS加速度传感器作为采集仪器的前端。采用不锈钢防水外壳对MEMS传感器及外围电路进行封装,通过电缆与采集站连接。采集站部分主要进行了信号调理电路、供电电路、AD转换电路、GPS同步采集电路、通讯与存储电路的设计,其中调理电路主要包括滤波、放大电路的设计。采集仪器可通过SD卡进行本地存储。为了实时监测脚步振动信号,开发了一套快速、简洁、高效的数据实时采集软件,使用成熟的Visual C++编写并使用高效的MSVC编译器编译,基于速度高、延迟低的UDP协议接收采集站发送的脚步振动信号,以简洁直观的用户图形界面与用户进行人机交互并对数据进行存储和实时可视化。最后利用脚步振动信号采集系统在室内设计并完成30人脚步振动信号采集实验,并对部分脚步振动信号特点进行了分析。（2）针对采集过程中,存在的仪器与环境背景噪声,提出了一种基于变分模态分解与小波能量熵的降噪算法。通过VMD方法将脚步振动信号分解为多个固有模态函数,利用小波变换技术将各固有模态函数进行多尺度小波分解,将得到的各细节系数等分成若干子区间,计算各子区间的小波能量熵值,选取小波能量熵值最大子区间的细节小波系数平均值,作为该模态分量在该尺度下的噪声方差代入阈值公式并计算对应阈值,通过小波能量熵值改进的阈值函数来对各模态分量各尺度的细节系数进行降噪处理,重构各固有模态函数后,再重构脚步振动信号。利用模拟信号和实际采集到的脚步振动信号进行降噪分析,结果表明本文的降噪方法在不同噪声水平、不同降噪方法上,都取得了最高的信噪比,定性定量地说明了本文方法的有效性,实现了脚步振动信号仪器与环境背景噪声的压制,并保持了脚步振动信号的波形特征。（3）在对脚步振动信号进行去噪处理后,本文全面的从时域、频域、时频域对脚步振动信号的特征进行了分析与提取。时域和频域主要进行了统计特征的提取。同时采用端点检测的方法,提取了一步脚步振动信号的持续时间和两步连续脚步振动信号间隔时间作为时域特征。时频域结合模拟和实际采集到的脚步振动信号对比分析了一些常用的时频方法,包括短时傅里叶变换、Gabor变换、小波变换、S变换、Wigner-Ville分布等方法,最终选择效果最好的S变换。针对S变换后的时频复矩阵维度较高的问题,利用奇异值分解方法提取脚步振动信号时频特征,降低数据维度。将脚步振动信号划分为不同长度,进而研究数据长度对分类识别的影响。最后针对不同长度脚步振动信号的时域、频域、时频域提取的特征建立了脚步振动信号特征向量。（4）针对冗余特征和相似特征会增加分类识别的时间,降低分类识别的精度的问题。本文提出了 一种基于膜计算和粒子群算法结合SVM的特征选择选择方法,在优化特征子集的同时,对分类器参数也进行了联合优化方法。粒子群算法存在明显的缺点,即容易早熟,当粒子初始速度设置不当,还容易出现陷入局部最优的现象。针对此问题,本文使用膜计算方法来对粒子群算法进行优化处理,利用膜计算的分布式、并行处理的特点,能够较好的平衡粒子局部和全局搜索精度,同时也能保持粒子种群的多样性。以分类器参数惩罚参数、核参数以及特征子集数量构造二进制粒子,再转换为SVM分类器识别的十进制数。利用分类精度和特征子集建立适应值函数,通过粒子的寻优迭代,最终输出最优分类器参数和最优特征子集以及对应的分类精度。通过最小二乘支持向量机和二叉树结构,构建了分类器训练模型。利用测试集数据,结合BPSO-LSSVM、LSSVM、BPNN方法,验证了本文方法的优异性。无论收敛速度、识别准确率、识别时间,本文算法都体现出了最佳的效果。