В работе рассматривается индивидуально-типологические особенности сигналов электроэнцефалограммы как биометрического маркера с применением сверточных нейронных сетей. В качестве классификаторов выбраны две хорошо зарекомендовавшие себя архитектуры глубокого обучения — AlexNet и MobileNetV2. Для оценки адекватности полученных моделей использованы методы визуализации данных в пространстве пониженной размерности, включая метод главных компонент и алгоритм t-SNE. Результаты экспериментов показали, что обе нейросетевые архитектуры обеспечивают сопоставимую точность идентификации, составляющую порядка 70%. Установлено, что дальнейшее повышение точности возможно за счет оптимизации гиперпараметров обучения и модификации архитектур. Полученные результаты подтверждают перспективность использования индивидуально-типологических особенностей сигналов электроэнцефалограммы в качестве биометрического маркера при применении сверточных нейронных сетей и подчеркивают высокий потенциал дальнейших исследований в области интеллектуальной обработки нейрофизиологических данных.