伴随着互联网的日益发展，个人信息的安全受到人们越来越多的关注。身份识别在信息安全领域至关重要。为了确保个人的身份信息安全，研究者提出了各式各样的身份识别方法。早期的传统身份识别方法如身份识别标签（ID）或者身份识别号码（PIN）等，容易遭到黑客的攻击。接着，研究者们又提出了基于个体生物特征的生物识别技术，该项技术通过人体具有的独特生物特性进行身份识别。目前，人脸识别、虹膜识别、指纹识别等识别技术在日常生活中受到广泛应用。然而人脸、指纹等生物特征识别技术也存在着可以被伪造的问题。因此，基于人体生理信号的生物特征识别受到特别关注，比如脑电信号，心电信号，肌电信号等。这些信号具有活体生物特性，有利于活体检测以及在防止欺骗攻击上更加健壮。在这些生理信号中，肌电信号（Electromyography, EMG）由于其独特的优势吸引了人们的关注，使其在其他生物特征中突出。因此，利用肌电信号进行身份识别技术具备良好的应用前景。目前，基于肌电信号的身份识别研究却很少。本文主要研究利用具有活体特性且易采集的肌电信号进行身份识别的系统，包含从离线身份识别系统递进到实时的身份识别系统应用研究。本文取得的主要研究成果如下：

（1）针对离线身份识别系统，本文提出了基于肌电信号的一对多的个人识别系统和基于肌电信号的一对一身份识别系统。离线身份识别系统由采集模块，数据预处理模块、特征提取模块以及身份识别模块组成。在一对多的身份识别系统中，系统采用连续小波变换方法挖掘肌电信号内部的时频特征，结合卷积神经网络算法对数据进行训练，最后达到了99.203%的识别率；在一对一的身份识别系统中，采用孪生网络算法对比系统提取出的样本特征之间的相似度，实现了99.285%测试准确率。

（2）在离线身份识别系统的基础上，本文进一步提出了一套基于肌电信号的实时身份识别系统。与离线身份识别系统不同的是，实时系统不仅包括采集模块、数据预处理模块、特征提取模块以及身份识别模块，还额外多了手势信号检测模块。在实时的系统中，系统需要着重考虑响应时间，使得系统具备实时、高效、鲁棒性强的特性。针对实时性要求，在事件信号检测环节，本文提出了一种峰值检测算法，用以实时的将手势信号从信号流中检测出。针对计算效率问题，本文采用小波变换结合一维卷积神经网络的方式，即采用离散小波变换方法结合统计学的方式对肌电信号进行处理及特征提取，最后，根据提取到的特征定制化地搭建一维卷积神经网络算法框架，实现了98.41%的识别准确率以及整个系统的处理时间为37ms。