Con la llegada de los dispositivos móviles inteligentes, los usuarios se acostumbran a transmitir y almacenar su privacidad individual en ellos, lo cual, sin embargo, ha suscitado prominentes preocupaciones de seguridad inevitablemente. En los últimos años, numerosos investigadores han propuesto principalmente utilizar sensores de movimiento para explorar técnicas de autenticación implícita. Sin embargo, para ellos, existen algunos desafíos significativos en escenarios del mundo real. Por ejemplo, dependiendo del conocimiento experto, la precisión de la autenticación es relativamente baja debido a algunas dificultades para extraer microcaracterísticas del usuario y etiquetas ruidosas en la fase de entrenamiento. Con este fin, este documento presenta un enfoque de autenticación de usuario móvil basado en sensores en tiempo real, ST-SVD, un algoritmo de tri-entrenamiento semi-supervisado Teacher-Student (TS) y un sistema con arquitectura cliente-servidor (C-S). (1) Con S-transform y descomposición de valores singulares (ST-SVD), mejoramos las microcaracterísticas del usuario transformando las señales de series temporales en imágenes de tiempo-frecuencia 2D. (2) Empleamos un algoritmo de Tri-Entrenamiento de Maestro-Estudiante para reducir el ruido de etiquetas dentro de los conjuntos de entrenamiento. (3) Para obtener un conjunto de parámetros robustos para la autenticación de usuario, introducimos las muestras bien etiquetadas en un modelo de CNN (red neuronal convolucional), que valida nuestro sistema propuesto. Los resultados experimentales en conjuntos de datos a gran escala muestran que nuestro enfoque logra una precisión de autenticación del 96.32%, superior a los métodos existentes más avanzados.