根据中国信息通信研究院整理的数据显示,2019年全球生物特征识别技术市场规模约达到了200亿美元,较2015年增长了100亿美元,处于高速发展状态。其中指纹识别市场规模占据了总市场的58%,人脸识别占据了18%的市场,虹膜识别约有7%的市场,其它的识别技术比如掌纹、声音、步态等则占据了剩余17%的市场。由于目前的步态识别算法存在性能不稳定、误差率高等问题,步态识别在实际生活中的应用较少。为此,本文主要研究基于深度神经网络的步态识别算法帮助提升识别性能,并设计实现了一套步态识别系统旨在为促进步态识别的发展贡献一份力量,其主要工作如下:首先,本文提出了一种结合了注意力机制和残差块的多特征提取模块并联的步态识别算法,并从南京邮电大学采集了113人的步态数据创建了三个步态数据集。数据处理部分主要包括周期分割与数据增强,然后通过所提出的模型进行特征提取与步态识别。通过实验后,本文中提出的模型在所建立的NJUPT II和NJUPT III步态数据集下最好的识别准确率分别达到了93.37%和98.56%,较CNN与LSTM结合的识别模型准确率提升了5.07%和1.24%,证明该模型能够有效提升识别效果。其次,鉴于所提出的模型需要部署在资源受限的边缘智能终端上,本文提出对步态识别模型进行压缩以简化模型并加快推理速度,主要从模型网络参数重要性确认、剪枝阈值设置以及模型性能恢复三个方面来确认最终的剪枝方案,以达到平衡模型性能与尺寸的效果。实验表明,该算法能够在保证模型性能无损的情况下实现3×的压缩比,同时将模型对单个样本的推理时间从45.85ms缩短到14.95ms,有效的实现了模型简化与加速,降低了模型在边缘终端的部署难度。最后,本文设计并实现了一套步态识别系统,主要包含身份信息采集和身份推理两个功能的设计与实现。在身份信息采集模块,主要通过用户录入个人信息及步态信号采集来创建新的步态数据集。在身份推理模块,主要将已经设计好的模型部署在智能终端上,并实时采集步态数据送入模型进行推理并展示识别结果。最终结果显示,该系统能够实现数据采集,实时进行身份识别并展示识别结果。