智能手机的高速发展与普及,使得智能手机在人们的生活中无处不在。然而人们在享受智能化设备、应用和服务带来便利的同时,也会在手机中留下大量的使用痕迹。从这些使用痕迹中可以分析并找出用户之间的行为差异,以此提取特征来区分不同的用户,为面向移动设备和应用提供更优质的身份认证服务。在本文中,用户通过手机比划不同的动态手势轨迹,在动态手势过程中收集传感器数据,通过数据来提取用户的可认证特征,实现移动端用户行为分析的身份认证。目前许多学者尝试使用手机内置传感器实现基于移动端用户行为分析的身份认证研究,但已存在的研究中使用的传感器种类过于单一,大部分都是基于加速度传感器来实现,这种基于单一传感器的方法,对用户身份认证结果的准确性偏低,且攻击率也会偏高。同时对于用户长期的认证过程中会发生行为动作的变化,导致认证率越来越低没有给出合理化的更新策略。针对这些问题,本文研究主要做了以下工作:(1)提出基于加速度传感器、重力传感器和陀螺仪传感器共同作用下的身份认证。实验证明,该方案的认证率会高于单一传感器,同时攻击率也会低于单一传感器。(2)提出利用门限值的方式对动态手势端点进行检测,该方法比基于手动控制截取的方式更准确,比基于熵函数的截取方法计算量更小,同时对于加速度传感器、重力传感器以及陀螺仪传感器都有很好的截取效果。(3)对于每个用户构建属于自己的动态手势模版库,基于动态手势模版进行手势认证,利用模版库的手势模版和当前认证的模版进行对应特征值距离计算并构建新的特征值手势模版,然后利用XGBoost算法对构建后的手势模版进行拟合认证,这种方案可以使模版库在更新中不需要对模型重新训练,最后根据结果判断是否认证成功。(4)提出模版库的更新策略来适应人的行为会随着时间潜移默化的改变导致认证率下降的问题,基于DBSCAN算法可以很快速的找到具有相似性的簇集合来更新模版库。(5)结合本文提出的研究方法,实现了基于移动端的身份认证系统。身份认证系统可以实现用户进行动态手势后的身份认证,系统利用训练好的模型可以离线识别用户的认证手势数据。