智能终端设备的普及给人们的日常生活带来了极大的便利,但大量敏感信息被存储在本地,对设备的数据安全与隐私保护提出了挑战。目前智能终端设备多使用指纹、口令等一次认证机制,无法在设备使用期间验证身份。持续认证方法能够在不中断设备使用的情况下,定期验证用户身份,将其作为传统认证机制的辅助认证方法,可以有效应对频繁解锁需求,提高设备在用户使用期间的安全性。步行特征和心跳特征均满足普遍性、特异性、持久性与可采集性,可以作为身份认证的凭证,基于步行特征与心跳特征的认证方法发展前景广阔。然而,单模态的步态认证与心跳认证方法均易受到类内差异的影响,类内差异会随着用户行为状态的变化而增大。单模态认证易遭受欺骗攻击,且其认证效果存在理论上限。而将两者融合的多模态认证方法可以提高系统的认证性能、适用性和安全性。基于深度学习的特征层融合方法是模态融合最常用的方法,但现有训练方法需要集中存储用户的生物数据,带来了极大的安全隐患。因此本文从提高系统认证效果、降低生物数据风险两方面出发对持续认证方法进行了研究:（1）针对单模态特征类内差异带来的认证性能下降的问题,提出了融合步态与心跳特征的多模态持续认证方案。该方案使用了用户无打扰的隐式数据采集方法,用于平衡设备安全与用户体验,并利用基于活动分类的分级降噪机制来提高强烈运动伪影下心跳信号的质量。为保证方案的特征层融合效果,避免融合特征不兼容或关键信息丢失的问题,设计了基于注意力机制的特征融合网络,通过自适应分配权重来抽取重要信息进行特征融合。实验表明,该方案可以有效降低类内差异的影响,达到比单模态更好的认证效果,同时该方案与其他基于特征工程和神经网络的多模态融合方法相比也具有明显的优势。（2）在上述多模态持续认证方案的基础上,针对集中训练过程中生物模板传输与存储时面临的安全风险问题,提出了基于联邦学习的分布式持续认证方案。该方案使用Fed CA算法进行模型训练,在服务器端使用正交处理函数提高类与类之间的可分离性,可以有效应对持续认证场景下各客户端仅有一类样本数据的极端非独立同分布情况下可能产生的类折叠为单点的问题。该方案可以保证原始生物数据不出本地,只通过参数交换来协同训练模型,从而避免原始数据在传输和云端存储的过程中遭受攻击。实验表明,该方案在保证各用户原始生物数据私有的同时,可以达到与传统集中式训练模型相似的认证效果。