不断增加的智能设备已经成为用户在互联网上交流和互动的重要工具,因此智能设备的安全和隐私问题变得尤为重要。现有的用户认证方式（例如,密码、指纹认证、人脸认证等）均属于一次性认证,无法确保用户在使用过程中的合法性。基于行为特征的认证方式可以通过设备内置的传感器采集用户的行为数据,为用户提供连续、隐式的认证,确保用户在设备使用过程中的合法性。足部行为作为一种生物特征,比指纹、人脸、虹膜更具备难以模仿等特点,这引起了研究人员的关注。因此,本文设计了一款嵌入压力和惯性传感器的智能鞋垫,采集了50名志愿者包括三种日常行为活动的数据,对利用足部行为特征进行用户认证的问题展开探索性研究。提出了一种基于全卷积神经网络的用户认证模型,该模型在坐、站和行走三种活动中的错误率分别为1.62%、1.71%和1.73%。并通过实验结果分析了不同的活动类型、不同的性别、不同的身体质量指数(（Body Mass Index,BMI）值、不同的足部、不同类型的传感器对于模型性能的影响。虽然深度神经网络拥有强大的性能,但研究表明深度神经网络易受到对抗样本的攻击,导致网络模型输出错误的结果。上述缺陷对于使用深度模型作为用户认证的解决方案是一种极大的威胁。为了探讨对抗攻击对用户认证模型的安全性影响,本文选择五种具有代表性的对抗攻击算法对所提出的用户认证模型进行攻击,以验证用户认证模型面对对抗样本时的脆弱性。同时,提出一种基于生成对抗网络（Generative Adversarial Networks,GAN）的防御模型,利用对抗攻击算法生成的对抗样本作为防御模型的训练样本,并将注意力机制和模型压缩算法添加到防御模型中,用来稳定训练过程并减少模型的参数量。通过自定义分类器需要防御的攻击算法来生成对抗样本以完成判别器的训练,从而得到能够防御多种对抗攻击的分类器。实验结果表明,该模型对于五种对抗样本的错误率分别为 0.55%、2.69%、1.83%、2.34%和 1.12%。