步态识别作为一种新的生物识别技术,具有采集距离远、隐蔽性好、难以伪造模仿、破伪装能力强等优点,受到研究者越来越广泛的关注与研究。由于步态识别易受视角、光照、遮挡等因素的影响,以及不同行人之间的行走姿势具有相似性,故当前的步态识别任务仍具有较大的挑战。针对于以上难点,本文提出了基于上下文敏感性分析的步态识别算法。根据日常的经验,人类在区分不同的视频帧序列的时候,会在时间维度上的自适应地调整观察的范围,受到这一启发,本文提出的算法在针对于不同的步态轮廓序列,可以自适应的根据上下文信息调整时域感受野,来强化具有区分性的步态特征,而抑制不重要的特征,同时在空域上学习显著性的特征表达以补充因时域建模造成的特征不对齐问题。本文的主要研究工作包括以下三点:（1）提出时域多尺度特征提取及融合算法。为了获取更丰富的上下文信息,本文使用卷积神经网络提取了多个时间尺度的特征,即包含当前帧的信息、短时域的信息和长时域的信息,其中的当前帧的信息表征当前时刻的语义,短时域和长时域分别从两个时间尺度来提供上下文语义信息,再分别从局部和全局的角度进行关系建模,来评估多个时域尺度的特征的重要性,从而实现自适应地融合多个时间尺度的特征。（2）提出显著性空域特征学习算法。为了缓解时域建模的过程中存在的特征不对齐,从而造成提取的特征存在模糊问题,本文利用空域特征重组的方式,即首先对未经时域卷积的每一帧特征进行水平分块,再使用显著性空域特征评估模块对其进行显著性度量,选取最具表现力的几块重组成完整的一帧,从而实现对时域建模的补充。（3）本文提出的算法在多个标准步态数据集CASIA-B、OU-MVLP、GREW上进行了大量的实验,实验结果表明,本文提出的算法在多个数据集上超越目前学术界最好的性能,在步态识别领域达到了最优性能。