步态识别作为一种基于人体运动特征的生物信息认证方式,一直是近年来计算机视觉的热门领域。与其他生物特征如,虹膜、人脸相比,步态天然地包含静态的外貌特征以及动态的时序特征,更具有难以模仿和伪造的特性,此外识别过程可以在非接触情况下进行,使得步态识别技术在公共安全场所拥有巨大的实用价值。但在实际应用中,步态识别技术遇到跨视角、跨场景等诸多现实挑战,为了提供针对性解决方案,本文依托深度学习算法展开实验研究,主要结果如下:1)提出基于全局和局部特征的双流卷积识别网络为了有效利用步态的全局性的轮廓信息,以及显著性局部信息,提出一个双流卷积识别网络。全局通路用于提取不同层级下行人轮廓的全局特征;局部通路中提出一个显著性特征检测器学习人体局部细节,以加强整体网络参数对局部特征的拟合,形成更具判别力的步态特征。2)提出基于时空特征融合的卷积-循环神经识别网络为了有效完成时序规律的建模,利用步态中的空间域、时域信息,提出一个新型的基于时空特征的卷积-循环神经识别网络。借鉴Gait Set卷积网络框架提取多尺度空间特征;同时采用双层LSTM进行时序特征建模,并基于注意力机制提出了时序评分模块,强化时序特征的判别力。3)优化基于度量学习的损失函数在双流卷积网络中引入交叉熵损失函数,与三元组损失函数配合,共同限制特征的类内差距减小、类间差距增大;在卷积-循环神经网络中针对欧式距离方式的不足,采用基于向量的余弦距离和基于集合的杰拉德距离改良特征间的度量计算方式。以上思路在两个大型步态数据集CASIA-B和OU-ISIR-LP上进行验证,结果表明本文方法的有效性,提高了跨视角、多场景下的识别精度以及鲁棒性。