近年来,基于计算机视觉的生物识别逐渐成为一个重要的学术领域。在诸多生物特征中,步态以其难以伪装、远距离适用等特点在特定环境下具有优势。在真实场景下进行步态识别是具有极大挑战性的,需要克服观察视角变化、人体受到衣物及携带物遮挡等协变量的干扰。因此,本文以增强视角不变特征的表达为切入点,通过去协变量操作剥离遮挡物影响,展开跨视角步态识别方法的研究。其主要工作内容包括以下三个方面:1.为去除外观协变量的干扰,论文提出去协变量的跨视角识别模型（Gait De-covariate View Transformation Model,Gait-DVTM）。首先,制作步态能量图作为特征载体,采用半监督的方式训练编码器,在编码空间中通过对协变量空间置零剥离外观协变量特征;再基于奇异值分解的视角变换模块实现跨视角投影,最后,利用K近邻（K-Nearest Neighbor,KNN）算法完成识别。为解决视角变换模型对数据源要求角度多、无缺失的苛刻需求,论文进一步提出去协变量生成对抗识别模型（Gait Covariate-Removal GAN,Gait-CRGAN）。模型通过真假判别器与域判别器使生成器拥有提取有效特征和目标域投影的能力,并于生成器的编码空间中对协变量空间置零以生成目标域无协步态能量图。在CASIA-B数据集上进行实验,提出的Gait-CRGAN模型在正常行走（NM）、携带背包（BG）和穿着大衣（CL）三种状态的平均识别率分别达到62.76%、44.31%和30.45%,在后两种遮挡状态下的平均识别率与同类算法相比获得5%左右的提升。2.针对步态能量图缺少时序信息的缺陷,论文将步态轮廓序列作为输入。提出全局特征增强的Gait Part步态识别模型（Globa Feature Enhancement Gait Part,GFE-Gait Part）。设计局部与全局特征提取分支,其中,局部分支利用聚焦卷积增强局部微动作特征的表达,全局分支进行集合池化操作聚合步态周期的全局特征;其次,使用深度超参数化卷积核强化模型的特征提取能力;最后,采取改进的比例优化联合损失函数对模型进行强化训练。在CASIA-B数据集下对模型进行验证,NM、BG和CL状态分别达到95.873%、91.312%、79.5%的平均识别精度,在穿着大衣状态相较对比模型获得最高识别率。3.提出一种基于Transformer的跨视角步态识别模型。以Vi Vi T模型为框架提取步态序列的全局关联性。首先,综合考量模型的计算量与性能,选用时空分离的编码器架构,输入序列依次经过空间域与时间域编码器;其次,为降低视角协变量的影响,将视角信息嵌入空间域编码器生成的特征序列中;然后,为解决Transformer在小数据集上难以训练、易过拟合等问题,对每帧图像采用相同的空间位置编码以降低数据依赖,并通过引入改进的困难三元组损失与交叉熵损失组成的联合损失函数增加网络的学习难度。在CASIA-B数据集上进行实验,NM状态下平均识别精度达到58.30%,该模型验证了Transformer提取步态特征的可行性。