科技的不断创新和进步,使人们在享受科技带来好处的同时,不得不面临网络安全问题。验证码的出现为网络安全道路提供了重要保障,但是随着各类验证码不断被机器自动化程序破译,不仅影响了网络系统的正常运行,同时给正常用户带来经济损失、信息泄露等隐患。数字字符等简单的验证码虽方便用户使用但很容易被机器破译,而且很难正确区分出操作者是“机器”还是“个人”;问答、图片验证码虽然安全性能高,但是用户体验感差,所以使用方便又有一定安全性的滑动式验证码是一个不错的选择。本文基于滑动式验证码,利用从人和机器完成验证所留下的滑动轨迹中提取出的特征数据,结合现代统计方法建立模型,尝试解决正确识别人机操作这一至关重要的网络安全问题。首先,我们将机器行为样本标为正类,即关注的类,真人行为样本标为负类。其次对所有样本数据进行相关性分析,分析发现样本指标之间的相关性较小、相互影响作用较弱,每个样本都可以在建立分类模型的过程中发挥出其作用。然后对进行标准化后的数据,运用机器学习中的支持向量机技术算法建立支持向量机分类模型预测验证操作者的类别,同时采用R统计软件对其进行实证研究和分析,并与Fisher判别、决策树和BP神经网络等分类算法进行比较。结果表明,所有模型识别机器的敏感度高于识别真人的敏感度,符合本文希望能有效识别机器操作行为的研究目的;支持向量机分类模型的效果优于其他分类器,分类准确率和AUC值均高于其他分类模型,准确率和AUC分别为94.82%和0.943。因此,支持向量机分类模型能够满足滑动式验证码的使用需求,有效区分机器和真人的验证操作行为,在机器完成验证的过程中将其识别出来,拒绝其操作请求。最后,本文对主要研究内容进行了相关总结,并针对一些不足之处提出了展望。