步态特征作为一种生物行为特征,其采集过程无需目标接触配合,可以在较远处进行采集,从而不被目标察觉,且难以进行伪装,因此在刑事案件侦察、医学疾病诊断、公共场所安防等方面具有重要的研究价值。随着深度学习技术的综合发展,步态识别的自动化程度及精度逐步提升。但和人脸、指纹等生物特征识别相比,步态识别仍然存在许多问题亟待解决。背景、光线、视角、服装和携带物等条件的改变,会对步态识别精度造成影响,其中,最为日常和广泛的变化是服装和携带物的变化。现有的步态识别方法过于依赖外观特征,一旦被测者更换衣服或背包等,识别精度会明显下降,不利于实际的应用。针对这一问题,本文着重对步态识别过程中服装、携带物变化的情况展开研究与探索,并在CASIA-B公开数据集和自建真实场景测试集上进行实验验证。本文的主要研究内容如下:（1）通过时空特征融合技术对步态轮廓图序列进行训练,在提取时间特征的CNN-LSTM网络中,利用浅层CNN减少网络参数量,随后通过LSTM获取特征向量;在提取空间特征的CNN网络中,采用集合池化整合提取降采样后的序列特征,利用改进的残差块得到特征向量;最后,进行后期融合,提取抗服装、携带物干扰的融合特征。（2）拍摄建立了一个包含20人的跨服装、携带物的步态识别补充数据集,以丰富网络模型的测试样本。每个样本含有3种不同距离下的正常行走,服装变化（2种）,携带物变化（背包,雨伞）的侧面行走视频。完成了视频解析,运动目标提取,形态学处理,归一化和步态信息表征等一系列步态图像预处理过程。（3）设计并开发了步态识别系统。系统包括视频录入,步态图像预处理和步态识别等功能,将本文提出的时空特征融合CNN-LSTM步态识别网络模型,在公开数据集上训练后部署,采用自建测试集测试,进行实际应用研究。实验结果显示,时空特征融合网络在公开数据集CASIA-B上服装、携带物变化的情况下识别率分别达到93.9%、89.8%,验证了本文算法的有效性;在自建测试集上服装、携带物变化的情况下识别率分别达到96.4%、93.4%,验证了算法的可泛化性。综上所述,本文在服装、携带物改变时对步态识别精度提升进行了有效的算法研究和实际应用探索。