随着互联网的发展,用户使用智能手机进行访问多种服务如通信,娱乐,社交网络,商业,金融,旅游等等。智能手机不仅成为我们日常生活中不可分割的一部分,也存储了多种敏感信息例如银行详细信息,个人或业务相关的电子邮件,图片等,因此基于智能设备的身份认证越来越成为了现今的研究热点。对于需要互联网身份认证的智能设备,在其嵌入的内嵌设备(例如可穿戴设备和智能传感器)可以收集人类生物特征并促进身份验证。人体步态可被这些设备可收集,并且根据这些标识可做到对用户身份的辨别及认证。而使用步态数据拥有其他生物特征不存在的优点:进行认证用户的过程中可以不用主动输入口令,并可做到连续被动认证,具有较大意义。但同时也面对许多的挑战与需要解决的问题。如何针对步态数据进行用户的身份认证,保证安全且高效,这份工作需要长时间的匹配搜索,同时也受到了准确性的挑战。而且使用传统神经网络模型处理步态身份不能做到拒绝未知用户。针对上述问题本文提出了一种基于神经网络和极限分析的步态模糊身份认证模型。主要贡献如下:1.本研究提出的一种融合神经网络,在循环网络的基础上进行了改进,可适应多传感器的融合,做到了可共享网络的权重。在网络中保留了每个时间步的传递,对特征进行选择处理,同时结合了多传感器的数据。经过多个实验对比分析得出,设计的循环神经网络在单个传感器和多个传感器中的表现明显优于其他方法。2.设计出针对异常数据的极值分析,统计正常用户的特征极值,寻求正常用户的极值边界。设计出模糊规则,使得未知用户在经过模糊规则的验证后能够被成功剔除。3.建立模糊认证模型,对极值进行决策认证,将用户的传感器数据指纹与有效用户进行真实匹配,剔除未授权的用户,决策出用户认证的结果。所提出的步态认证模型与普通匹配算法和传统机器学习算法进行对比,均取得明显优异结果。