提取心电信号的技术已有百年的历史,发展至今已十分成熟,可以直接通过拇指电极进行提取,操作起来十分方便。心电信号作为一种生物特征同样具有很好的稳定性、普遍性和唯一性,而且属于人的内部特征,不容易被伪造,安全性高。近几年,将心电信号用于身份识别的技术已经有所发展,并取得了多方面的技术突破。但现存的心电信号特征提取方法中往往是对于时域或频域上单一类别的特征进行提取,缺少一种合理利用时频域结合进行分析的特征提取方法。本文针对此类问题,融合了时域特征与频域特征,使两者互为补充,提出了一种新的心电信号特征提取方法和身份识别方法。本文使用了来自MIT-BIH、ECG-ID、PTB三个数据库的心电数据,三者在采集信号时对采集者的状态不作限制,符合实际应用场景。不同数据库信号的采样率均不同,用以验证本文算法的泛化性和鲁棒性。根据心电信号的频率分布特点,本文使用4阶巴特沃斯滤波器以及小波分解两步去噪方法,以获取纯净的心电信号。采用Pan-Tompkins算法检测心电信号中的R波波峰,以此为基准将心电信号分割为多个心拍,并从中截取能量最为集中的QRS波群,将每个QRS波群通过分帧加窗后进行傅里叶变换以获取它们的功率谱。根据心电信号频率特性,搭建Mel滤波器组集中提取低频部分的特征,最后通过计算对数能量和离散余弦变换得到频域倒谱系数特征。经过不同分类器的对比实验,发现该特征使用SVM进行分类能获得最佳的识别性能。为进一步提高身份识别的准确率,本文在以上研究的基础上,利用深度学习技术,提出了一种时频分析结合的身份识别算法,融合了时域与频域部分的特征。在时域部分,参照时延神经网络以及二维卷积神经网络中的空洞卷积思想,设计了一种用于处理一维时域信号的多尺度时域特征提取网络;在频域部分,将频域倒谱系数输入BP神经网络,得到抽象后的频域特征;两部分特征拼接后输入最后的softmax全连接层进行分类识别。该方法充分考虑到了心电信号在时频域方面的各种特性,实验结果表明,该方法相对其他心电身份识别方法在识别性能方面具有明显的优势。