互联网技术日新月异的发展推动着人类社会的不断进步,但网络安全事故也与日俱增。作为计算机系统的第一层安全保障,身份认证技术在保护用户个人信息方面具有举足轻重的作用,传统的身份认证技术均属于一次性认证,即在用户登录的某个时刻对用户身份进行认证,无法对用户身份进行持续认证,持续认证指的是在用户使用计算机的整个会话周期内对用户身份进行持续性验证。基于生物特征的身份认证方法采用独特的生物特征对用户身份进行鉴别,是一种稳定的、不可复制的方法,是如今研究的热点。生物特征可分为生理特征与行为特征,生理特征如容貌、掌纹等,行为特征如用户说话的声音、步态、键鼠行为等。基于用户生理特征的身份认证方法往往需要额外的数据采集设备去收集用户生理特征数据,无法做到持续认证,而基于用户键鼠行为的身份认证方法无需额外硬件设备便可以在用户无感的情况下对用户身份进行持续认证。因此,本文对基于用户键鼠行为的持续认证方案进行了探索性研究。本文完成的主要工作如下:（1）采集并制作了基于用户键鼠行为原始数据的数据集,编写数据采集程序,在对用户行为不加任何限制的情况下采集用户键鼠行为原始数据,通过将用户的键鼠行为原始数据映射为灰度图像来制作用户键鼠行为图片数据集,以便利用卷积神经网络从图像中提取深层特征来对用户身份进行认证;（2）设计了一种基于鼠标动力学的身份认证方案,本文首先在公开的Balabit鼠标数据集上基于VGG16网络模型进行训练及测试,得到了0.996的准确率,0.33%的错误接受率（False Accept Rate,FAR）和0.34%的错误拒绝率（False Reject Rate,FRR）,用时约36.206秒。其次,基于迁移学习,将Inception V3网络在大型图像数据集中学习到的网络参数应用到Balabit数据集上进行训练,认证用时同样为36.206s,但训练模型用时却大大缩短,最终获得了准确率为0.993,FAR与FRR分别为0.942%和0.3947%,两种方案对比其他学者的同类型方案均有所进步;（3）设计了一种基于键鼠行为数据的身份认证方案,考虑到基于鼠标单因子的身份认证可能会给入侵者以可乘之机,本文研究了基于键鼠行为特征融合来对用户进行身份认证的方案,基于本文制作的键鼠行为数据集与改进后的ResNet18网络,在输入图像尺寸为64x64大小时得到了准确率为0.990,FAR与FAR分别为0.2%和0.3%的认证效果,认证用时约24.046s。本文最后还验证了击键行为对应的窗口特征对于认证模性能的影响,发现在输入图像尺寸大于64时,窗口特征对模型性能的影响变的越来越小,该实测经验可给后来研究人员提供方案设计的借鉴。