随着社会和科技发展,人类对互联网的依赖程度逐渐增加,人与各种在线或离线电子系统的交互日渐频繁,这使得个人身份验证系统在安全防控层面显得越发重要。但日常惯用的密码确认身份方法存在密码被盗用或遗忘的隐患。相比较而言,基于人体生物特征的身份识别,不易被伪造或窃取,具有较高的安全性和便捷性。脉搏波作为一种个人特有的生理特征信息,与指纹类似,可作为一种身份识别的手段。本文设计了一套脉纹身份识别系统,系统包括硬件前端整机与神经网络信号识别软件后端两部分。在脉纹识别算法层面,分别从信号的预处理、特征提取、识别三个关键方面提出改进方案,完善脉纹识别框架。本文的主要研究工作和创新点如下:（1）预处理。本文针对脉搏波的特点,新增针对信号周期性和失真程度评判的粗筛、针对多通道信号差异大的细筛、多通道线性融合等环节,进而合并得到规整后的有效脉搏波信号。相比于传统仅使用去噪的预处理方法,本文提出的多通道信号预处理方法的AUC（Area Under Curve）值提高了10.94%,AUC值体现了模型对于正负样本的区分能力。（2）特征提取。本文在传统仅提取切分后的周期序列特征基础上,提出新增一系列辅助特征,以多维脉纹特征提取方式用于身份识别。所新增的特征主要包括:脉搏波的主波包络、次波包络、及主次波包络等基于时域的短时特征,以及与呼吸周期对应的多周期长时特征。相对于仅使用切分后的周期序列特征作为输入的方法,新增的特征可以提供多周期关联信息,脉纹识别结果的AUC值提高了2.12%。（3）基于上述提取的多维脉纹特征,本文提出了处理多维特征输入的双模神经网络。对短时特征构建卷积神经网络;对长时特征构建卷积-循环神经网络。由于卷积网络具有识别位移、缩放及其他形式扭曲不变等特点,从而实现提取脉搏序列中不受位置影响的特征,由此获得个人身份的稳定表征。与现有文献报道的相关脉纹识别技术相比,本文提出方法的AUC值提高了6.32%。