随着科技的高速发展,人们的生活方式开始广泛而深刻地被信息化和数字化所影响,个人和组织对信息安全的要求也越来越高。但近年来个人信息泄露的事件频有发生,人们急需一种安全高效的身份识别方式来防止数据泄露。在这种情况下,生物特征识别技术应运而生。由于心电信号是人体内的一维信号,具有不易被窃取,安全性较高,存储空间小等优点,满足生物特征作为身份识别的四大特性即普遍性、唯一性、稳定性、可采集性,被越来越多的国内外学者所关注。关于ECG（electrocardiogram,心电图）身份识别的研究已取得许多进展,但在特征冗余、准确率、分类器泛化能力等方面仍存在不足。针对此问题,本文进行了如下研究:1.针对特征冗余问题,本文首次将统一流形逼近与投影（Uniform Manifold Approximation and Projection,UMAP）降维技术引入身份识别。首先通过自适应软阈值法对ECG信号进行滤噪处理,再利用差分阈值法定位R点,并基于R点分割出单个心拍作为初始特征。针对初始心拍特征维度较高且冗余信息较多的问题,采用UMAP进行特征降维,UMAP对嵌入维数没有计算限制,在处理大数据集时,UMAP优势明显,能最大程度保留原始数据特征的同时大幅度降低特征维数。经过实验验证,UMAP降维后的特征不但去除了初始心拍特征中的冗余信息,而且能够加强不同个体之间的差异性,同时增强了同一个体不同心拍的相关性,在心拍识别率和身份识别率方面均优于传统的主成分分析（Principal Components Analysis,PCA）特征降维方法。最后采用极端随机树（Extremely randomized trees,ET或Extra-Trees）算法进行分类,基于混淆矩阵统计特征分类结果完成身份识别。实验证明该方案能够有效提升身份识别的准确率,相较于KNN、XGBoost、随机森林、Adaboost,该算法在160个个体中取得了95.62%的身份识别准确率,优于其它四种算法。2.针对分类器泛化能力差的问题,本文进一步选择了Stacking算法（Stacked Generalization）作为分类器,它是一种组合多个学习器的信息来生成新模型的技术。本文选取Stacking的初级学习器为极端随机树,次级学习器为极端梯度提升算法（Extreme Gradient Boosting,XGBoost）。首先利用极端随机树对原始心拍训练集进行训练,训练所采用的方法是五折交叉验证,并对测试集进行预测,将训练集所得的输出结果和测试集取平均后的输出结果合并作为二级特征,将此特征输入到UMAP进行降维后利用XGBoost进行预测判别。实验证明该方案不仅提升了身份识别准确率,且有良好的泛化性能,在160个个体中取得了96.88%的身份识别准确率。经实验验证,UMAP降维算法能够很好的去除初始心拍中的冗余信息,结合极端随机树进行分类能够取得较高的准确率。同时基于Stacking的ECG身份识别方法,不仅在识别准确率上有所提升,而且具有较好的泛化能力。