如今指纹、人脸、虹膜等生物特征在身份鉴别领域中应用日益广泛,生物识别技术的发展为社会的稳定安全运行提供了重要保障。步态特征作为其中一种,凭借其个体间差异较大、难伪装并且可在远距离非受控状态下捕捉等特点,克服了传统生物特征的不足,因此在各场所、各领域逐渐发挥重要的作用。但是在实际应用中,步态识别依旧面临着诸多问题,如摄像头角度、目标着装、身心状况及携带物的变化等。本文针对识别过程中多视角这一影响较大的问题,基于深度学习技术展开研究。本文的主要工作如下:1)步态序列的预处理。分别对中科院CASIA-B数据集以及实验室采集的DHU-Gait红外步态数据集进行预处理工作。首先通过对比目前一些主流的背景差分方法,选择采用基于混合高斯模型的背景差分法,从步态序列中得到效果较好的的背景图像后,通过差分得到初步的步态二值图序列,最后对提取到的步态图像进行后处理操作,得到归一化的步态二值图,大大提高了用于后续实验的前景目标图像的质量。2)针对步态识别中多视角问题,采用基于视角转换的特征融合网络的步态识别方法。在多视角步态识别中不同角度的步态特征间所包含信息量不同,因此采用VTM-GAN网络将不同角度下的步态特征图转换成保留信息最充分角度下的步态特征图,在打破多视角限制的同时,可大大扩充用于训练的步态样本对。其次,目前用于步态识别的步态特征虽大多能保留步态的空间信息,但往往缺少了对时间信息的利用,因而在充分保留步态空间信息的前提下,融合彩色步态能量图(Chrono-Gait Image,以下简称CGI)中步态序列的时间信息来提升识别效果,同时通过与仅保留步态空间信息的实验进行对比,验证了时间信息的有效性。3)采用基于序列信息融合的孪生卷积神经网络的步态识别方法。在步态识别中原始二值图序列的帧差信息是目标运动真正发生变化的部分,其中包含了大量的运动和时间信息,因而将帧差序列及原始序列信息融合后,通过孪生神经网络得到两组固定特征图之间的步态相似度,同时通过对比实验验证了融合帧差序列的有效性。