随着物联网、移动通信等信息技术的不断成熟,汽车产业不断向信息化、智能化的方向发展。智能网联汽车在提高出行便利程度的同时,也面临不可忽视的信息安全问题,本文主要研究驾驶员身份认证问题,其中包括非授权驾驶员检测和授权驾驶员身份识别。每个人不仅具有自己独特的生物学特征,而且还具有独特的行为特征,诸如指纹识别、虹膜识别的生物识别技术存在被复制的风险,而不同的驾驶者之间驾驶行为差异很大,使用驾驶行为关键特征进行身份认证是一个创新可行的方案。因此,设计基于驾驶行为关键特征的身份认证方案,对确保人员财产安全甚至生命安全具有重要意义。本文的工作有:1.对纳智捷U5和别克君威两辆实验车中驾驶员的驾驶行为关键特征进行了全面研究。现有研究工作中数据大多是利用模拟器生成的,或从大量外部设备中获取的,或是汽车厂商提供的文档数据,与上述数据获取方式不同,本文在真实的交通场景下,以两款智能网联汽车为实验对象,利用车内网络中CAN总线的广播特性,直接通过OBD接口来获取汽车CAN总线的实时数据,这些数据刻画了驾驶行为特征。2.提出了适用于不同车型的驾驶行为特征提取方法,利用该方法从CAN总线数据中提取出驾驶行为特征,再通过预处理方法,最后从驾驶行为特征中提取出关键特征。3.设计了三种基于深度学习的身份认证方案:基于长短期记忆网络（LSTM）和单类支持向量机（OCSVM）的认证方案,基于双向门控循环网络（Bi-GRU）和OCSVM的认证方案,基于双向长短期记忆网络（Bi-LSTM）、注意力机制（Attention）和OCSVM的认证方案。4.进行身份认证实验。首先,搭建实验环境并设计实验流程,结合三种基于深度学习的方案分别对提取的驾驶行为关键特征数据进行训练。先检测驾驶员是否为授权驾驶员,若为授权驾驶员则进一步对其身份进行识别,以实现实时的驾驶员身份认证。其次,将精确率、召回率、AUC值作为非授权驾驶员检测问题的评价指标,将识别准确率作为授权驾驶员身份识别问题的评价指标。然后,针对实验结果进行性能评估,得出基于Bi-LSTM、Attention、OCSVM的认证方案对非授权驾驶员检测和驾驶员身份识别的性能表现最好,并且能够适用于不同车型。相比传统的机器学习方法,性能有了本质的提高。最后,实验结果表明,上述方案可以在不影响正常驾驶的情况下,准确地认证驾驶员的身份,进而保护车辆及车内人员的安全。