物联网与人工智能技术的蓬勃发展推进了各类设备的智能化进程,人们在享受智能设备带来的舒适快捷感的同时,也不能忽视存在的安全问题。设备的非法控制威胁是当前智能设备所共同面临的安全威胁,其安全防范措施主要是利用身份认证技术实现对智能设备的安全控制。当前研究较为广泛的基于传感器的身份认证技术主要有指纹识别技术、人脸识别技术、步态识别技术,这些技术手段能够有效提取出人体某一方面的特征从而实现身份认证,但是也存在一定的安全漏洞与应用场景受限的问题。本文考虑到采用单一人体特征进行身份认证的技术手段存在的缺陷与不足,将人体生理特征参数与行为特征参数相融合,使得提取的人体特征信息更加多维化,并利用机器学习相关分类器实现较高精度的识别与分类。基于多维人体特征的身份认证方式相比较于单一特征的认证方式不仅仅提高了认证精度,也能够实现多种运动状态下的身份认证。本文主要做了以下三个方面的工作:第一,本文将加速度传感器、角速度传感器、心电传感器等模块集成在Metabase开发平台之中,并包装成手环样式,使得整个采集设备轻巧易携带,此外,本文利用手环设备完成了一定量的数据采集工作,为后续实验分析提供了数据支撑。第二,本文分析对比了多种不同类型的分类器模型,既包含了常见的支持向量机、决策树等,也有常见的基于深度学习的分类器和单类分类器,并通过实验分析对各类分类器的结构、参数进行优化,最终设计并实现了具有较高精度的分类器模型。第三,本文设计出了一套完整的身份认证系统,从样本特征提取、运动状态分类器、身份认证分类器到最终输出认证结果。整个身份认证系统具有持续、微感的特性。