近年来,包括可穿戴设备,智能家居和医疗保健设备在内的智能物联网设备正在蓬勃发展,这极大地改变了人们的日常生活方式。人们往往需要让不同的智能设备进行信息交互,常用的方式有Wi-Fi,Bluetooth,Zigbee等。但它们均容易受到无线窃听攻击。现有的基于智能设备的振动通信将嵌入智能设备的振动电机作为信号发射器,并将加速度计作为信号接收器,让振动信号通过刚性的固体表面来进行传播,解决了上述无线通信方式存在的安全问题。然而,现有的各种振动通信算法在商业化设备上的准确性,传输速率和适用性均存在一定的局限性。本文提出了一种新的基于卷积神经网络的振动通信算法,在保证传输精度的情况下,极大的提高了振动通信传输速率。与现有的基于振动的通信算法采用阈值划分解码的方式不同,该算法使用机器学习方式来进行多进制智能设备振动信号的解码,其中消息发送方发送由多个比特位组构成的符号组信号,然后在接收端使用机器学习方法将符号组信号解码。本文选择卷积神经网络作为解码算法的核心引擎来学习和识别振动模式。通过收集大量的数据集进行深入评估,基于卷积神经网络（CNN）的模型在算法传输速率为40bit/s时达到了最高的解码精度97%。在相同的传输速率下,传统振动通信算法只有10bit/s至20bit/s的传输速率。另外,通过评估本文算法在多种具有挑战性的实验环境如智能设备的不同放置方向、不同距离、以及不同设备的类型情况下运行的性能,表明了在采用CNN作为解码算法的核心引擎时,本文算法具有较好的鲁棒性。最后,本文还在现有的智能手机和智能手表上进行了系统算法的实现,通过评估算法实施所占用的时间开销和功耗开销,证明了算法能在低成本的智能设备（比如智能手表）上实时运行,不会带来过多的资源消耗。