随着国家、企业和个人对网络信息安全的高度重视,以生物特征信息为依据的识别技术在各个领域得以广泛应用。相比于指纹、人脸等常见的生物特征识别技术,心电（Electrocardiogram,ECG）信号具备“活体”识别的高防伪性,基于心电信号的身份识别技术在一定程度上确保了身份识别系统对外来侵入的高度抵抗力,具有较大的发展潜力。本文结合信号处理和人工智能算法,从单导联心电信号的质量评估、信号去噪、基于特征提取和基于深度学习的身份识别四个方面展开深入研究,构建了基于单导联心电信号的身份识别模型,主要工作如下:（1）详细阐述本文的研究背景和意义。分析了基于心电信号的身份识别技术在国内外的研究现状和发展趋势;介绍了与心电信号相关的理论知识以及实验所使用的数据库和验证方法,便于后续实验工作的展开。（2）提出了结合心电信号质量评估和去噪的预处理算法。首先,通过分析心电信号的波形特征和噪声含量构建基于支持向量机（Support Vector Machine,SVM）的多参数融合质量评估模型;其次,提出小波自适应阈值去噪算法对质量表现不佳的心电信号进行去噪处理,从而提高ECG信号质量。（3）构建了基于特征提取的心电信号身份识别模型。首先,提出基于改进式PT（Pan-Tompkins）算法的R波检测技术实现对心电信号R波的准确定位;其次,构建基于遗传算法（Genetic Algorithm,GA）优化的SVM识别模型对心电信号进行特征识别分类,并在心电数据集ECG-ID Database（90名）和MIT-BIH Arrhythmia Database（47名）上分别取得了95.56%和94.68%的识别准确率。（4）构建了基于卷积神经网络（Convolutional Neural Networks,CNN）的深度迁移识别模型。首先,利用广义S变换对一维心电信号进行时频域分析,生成二维心电信号频谱轨迹图作为深度学习网络层的输入;然后,对原始Goog Le Net网络模型进行优化,分别构建基于正常心电数据集ECG-ID和异常心电数据集MIT-BIH的迁移识别模型Google Net-T1和Google Net-T2,并在两个数据集上分别取得94.44%和97.87%的识别准确率。实验表明,正常和异常心电信号均能实现对个体身份的高准确率识别。本文提出基于单导联的心电信号身份识别技术,在保证心电信号质量较佳的同时实现对个体心电信号的高精度识别,为信息安全领域提供一种高防伪性、高隐私性的生物特征识别技术。