心电图(electrocardiogram,ECG)是能反映心脏跳动的波形图,它应用在医院的心电图检查,并用来检查心脏的健康状况。在现在的网络时代,因生物特征识别技术逐步走向成熟,国内外众多研究学者对身份识别技术的研究也逐步深入,目前其技术已在人脸识别、眼膜识别、语音识别等多个领域有所使用,并趋于商业化。而且,相当多的技术研究者也投身到了 ECG信号身份辨认研究当中。但目前针对于ECG信号身份识别的研究仍然存在诸多问题尚待解决,如患病患者的心电信号与正常人的心电信号不同,周期不一,间隔不一致等问题。为解决ECG信号中存在的问题,本学位论文提出了一种基于深度学习模型的ECG信号身份识别技术及其应用途径。首先,对原始ECG信号进行了预处理,本文采用的是PTB心电信号数据库。由于原始ECG信号含有许多噪声,影响了 ECG信号特征的提取,因此本文采用4阶巴特沃斯带通滤波器对ECG信号进行了去噪,同时进行了归一化处理。其次,提出了心电信号有效区域提取方法。本文采取了三种提取有效区域的方法,分别为加窗分割,基于深度学习的心电信号R点检测方法以及一维心电信号转化为二维图像的方法。并将以上三种方法做了对比,选出最合适的提取方法。最后,进行了身份识别的研究。利用深度学习中的卷积神经网络模型进行了身份识别的研究,并利用PTB和心电信号数据库对本文使用的方法和已经存在的基于ECG信号的身份识别方法进行比较。实验结果显示,将基于深度学习的心电信号R点检测方法和基于深度学习的ECG信号身份识别方法相结合所得到的结果最佳。