随着移动互联网的快速发展和智能移动设备的普及,越来越多的身份认证在移动设备上完成。目前,基于账号和密码的认证仍是移动社交网络身份认证的主流模式。然而,这种模式存在诸多问题,如用户的移动设备存在易丢失、被盗取和被借用的情况。为了解决此类问题,各种辅助性的隐式身份认证技术应运而生,例如滑屏认证、微信好友识别认证等。越来越多的研究者开始关注用户手势、敲击键盘、触摸力度等隐式行为模式的研究;再者,可穿戴设备的渐渐普及,使得可穿戴设备上的隐式身份认证也成为一个研究热点。论文首先分析了传统的身份认证方案的优缺点,深入的调研了现有的基于社交网络的隐式身份认证方案。其次,结合现有隐式身份认证的特点,分别针对智能移动设备和可穿戴设备的隐式认证问题进行研究。具体内容如下:首先,提出基于智能移动设备触控行为的隐式认证方案。该方案由以下四个部分组成:数据采集、数据处理、模型训练和认证。考虑到触控行为的复杂性,为提高认证的准确率,将其划分为滑屏和击键两个部分分别进行认证。滑屏又细分为上滑、下滑、左滑和右滑,主要考量触摸时间、方向和速度这三个特征。击键部分主要考量击键持续时间和击键间隔时间等特征。结合支持向量机的思想,对样本数据进行模型训练并对测试数据进行认证,通过实测的方式对该隐式认证方案进行有效性评估。其次,提出基于智能眼镜的隐式身份认证方案。方案通过Leap Motion设备获取数据进行机器学习,从而在用户正常使用智能眼镜的过程中实现隐式身份认证。机器学习方面使用Bagging集成算法实现,在基学习器方面研究了当前热门的BP神经网络算法、支持向量机和K近邻学习算法,并根据实际使用效果选择了BP神经网络算法和K近邻学习算法作为基学习器的算法。本文以触控中的向前滑动手势为例,总共选取了十四个特征,并提取613项数据组成了训练集。通过实测的方式测得该方案在向前滑动手势下的准确度为94.1176%。最后,进行实验仿真,表明了上述所提方案的有效性。