随着互联网技术的不断发展和更新,网络环境的安全性问题也日益凸显。为了维护网络环境的安全性,网络的注册、搜索、登录等操作验证变得十分重要。这些操作验证过程中会使用到验证码,因而,验证码识别技术研究的提高,对于维护网络安全性方面有着重要的意义。本文以验证码中的滑动验证码为研究对象,对系统采集到的真实用户和机器行为产生的滑动轨迹数据进行分析建模,从而区分出滑动主体是真实用户还是机器模拟的行为,从而使真实用户顺利通过,机器模拟的行为被阻止访问。使验证码发挥其原本的作用。本文首先通过可视化方法来进行探索性数据分析。当真实用户行为和机器模拟行为完成滑动验证码的过程中,系统会采集到一系列轨迹特征信息,本文通过可视化轨迹在水平轴,垂直轴以及轨迹速度和加速度的相关指标信息,用来初步查看真实用户行为和机器模拟行为的差异。其次,本文通过构建有监督学习模型来学习真实用户和机器模拟行为的特征,即对滑动验证码构建长短期记忆单元神经网络模型（循环神经网络的一种）。本文之所以用长短期记忆单元神经网络模型,主要在于长短期记忆单元循环神经网络设计了一种新的记忆单元（memory cell）结构来控制时间序列数据在网络中的传递并加入相应的门控（gate）系统。所以当处理这种具有时间序列数据特征的建模问题中,长短期记忆单元神经网络具有很强的优势。最后,本文构建无监督学习模型来学习真实用户的特征,即对滑动验证码构建变分自编码器模型,本文之所以用变分自编码器模型,主要在于变分自编码器是一类优秀的生成式模型,变分自编码器在对于数据的重构和还原方面具有很强的优势。本文综合了有监督学习循环神经网络模型和无监督学习变分自编码器模型,二者互为补充,在真实的应用环境中,能够满足滑动式验证码的使用需求,有效区分出真实用户和机器的验证操作行为。