随着大数据机器学习以及高性能计算机的提高,安防领域进一步向着数字化、智能化方向发展。传统的身份识别方法主要基于身份证、口令、智能卡等基于静态生理特征技术,通常存在着不够便携、易丢失、易伪造等缺点,难以满足舒适性、安全性的要求。脚步作为一种动态生理特性包含有人员所固有的身份信息,具有隐蔽性、非接触、难以复制等优点,是一种非常有潜力的身份认证方法。本研究提出利用行走过程中脚步诱发结构振动信号的差异性来识别人员。本文主要从脚步振动信号的采集、信号预处理、脚步特征参数提取、分类识别验证几个方面开展研究。（1）研究针对脚步诱发结构振动的非平稳、低幅值、周期性等特点,提出了一种信号降噪、端点检测的预处理方法,提高了识别精度。基于脚步振动信号产生的机理与传播特性,为消除环境背景噪声影响,采用小波阈值降噪方法对脚步信号进行预处理,结果表明,coif5小波函数能有效抑制高频噪声,在脚步加速度信号默认阈值去噪中信噪比、均方误差等评价指标最优;提出了一种改进的短时能量阈值端点检测算法以消除突发性噪声事件影响;经预处理之后的脚步振动信号识别精度达到98.31%,在有突发性噪声事件中识别精度达到85%以上。（2）在经过预处理之后的单一脚步振动信号中选取16个时域、频域特征参数,对比分析表明不同特征组合下的参数差异可以作为被测人员身份识别的依据。时域参数包括持续时间、上升时间、下降时间、波峰值最大值、波谷值最小值、峰值点的个数6个波形特征参数,均值、均方根值、稍度、峰值因子、峭度因子5个统计特征参数;频域参数包括峰值点频率、直流分量、前五个峰值点的均值大小、功率谱密度形状统计特征偏度和峰度5个统计特征参数。分析了不同被测试者特征参数间的差异,结果表明以上脚步特征参数组合可以有效地应用于小样本人员身份的识别。在此基础上分析了连续行走脚步振动信号的时域、频域特征,并与噪声事件进行了对比分析。（3）设置人员分类实验,采用支持向量机与随机森林算法分别进行仿真分类实验,验证了本文选取的脚步特征参数的有效性。构建了500×16维脚步振动信号数据集,采用SVM-RBF核函数分类模型,研究了被测人数分别为3、5、7、10人时4种测试集的分类精度,结果表明随着人数的增加,精度逐渐降低,3人测试集精度高达100%,而10人仅为79%;经皮尔逊特征选择构建500×10维数据集,在10人分类情况下,SVM-RBF分类模型测试集精度为91%。对比不同的核函数,线性核函数分类精度达到96%,相同数据集下采用随机森林模型算法下分类精度为93%,对比准确率、召回率、F1度量等评价指标均高于SVM-RBF分类模型。