近几年,随着GPU等计算机硬件的快速发展,使计算机的并行计算能力大幅提升,卷积神经网络等深度学习算法迅速崛起,各种基于生物特征的身份识别技术得到了越来越广泛和深入的研究,部分算法的识别准确度甚至已经超过了人类。但是,大多数算法在应用条件上都有比较大的限制,如指纹识别要求被识别对象必须主动配合,人脸识别则要求能够提取足够清晰的被识别对象的面部图像,这些限制使身份识别技术在实际应用中存在着明显的局限性。本文提出了一种基于多视角人体特征的多网络身份识别模型,与人脸识别和指纹识别等基于人体局部特征的身份识别方法不同,该模型基于人体的整体特征进行识别,为克服人脸识别等方法的局限性提供了一种有效的解决方案。该模型改变了传统的单网络训练模式,通过多个卷积神经网络对不同视角的图像分别进行学习,得到每个视角对应的模型后,再将其加权融合构成最终的身份识别模型。在面部有遮挡或图像分辨率较低等无法获取清晰面部图像的情况下,尤其是在视频监控等远距离非接触式的身份识别场景中,该算法表现出了更高的识别率和更强的泛化能力。本文详细介绍了如何通过基于多视角人体特征的多网络身份识别模型对视频图像序列中的人体目标进行检测和身份识别,检测过程按照获取图像序列、背景建模、背景差运算、二值化、开运算、连通域分析和提取人体目标七个步骤进行,识别过程按照构建数据集、训练模型和身份识别三个步骤进行。最后,通过实验将本文方法与其它方法进行了对比,本文方法取得了最高的身份识别准确度。