步态识别作为一种新的生物特征识别技术，是通过人走路的姿势实现对个人身份的识别和认证，它是一个复杂而又富有挑战性的研究课题。大多数的生物特征识别都要求近距离或者接触性的感知，而步态是远距离情况下唯一可感知的生物特征。因此，步态识别在视觉监控领域的潜在应用激发了研究者们的浓厚兴趣。本文针对正侧面及多视角情况下的步态识别中的种种问题进行了研究，主要的工作和创新如下：(1)提出了基于融合的隐马尔可夫步态识别算法。对隐马尔可夫模型进行研究并对算法实现中遇到的实际问题加以分析解决，在此基础上实现了利用隐马尔可夫模型的步态特征提取与身份识别方法。我们选取人体下肢的宽度向量作为步态特征，利用人体的宽度信号对步态序列进行周期性分析，将每一个步态周期平均分段聚类后求均值得到标本，同时把参与训练和识别的步态序列中处于同一状态的某一帧设为序列的初始帧。针对步态视频序列，分析了应用隐马尔可夫模型(HMMs)的可行性，采用了将标本作为隐马尔可夫模型的状态，每一帧与标本的距离作为观察值的步态建模方案。使用该方法在CASIA步态数据库上进行了实验。实验结果验证了该方法的有效性。为了进一步提高识别率，我们提出了将不同维数步态特征训练HMM模型得到的识别结果加以融合，实验证明融合后达到的识别率明显高于单个高维步态特征所能达到的识别率。(2)提出了一种多视角情况下步态识别算法。基于大部分的步态识别算法均建立在能够获得正侧面步态序列的基础上，而这个条件在实际的视频监控环境中是难以实现的。我们利用运动形成的速度场及运动场的关系，求得人在监控场景中行走的方位角，利用透视几何知识进行坐标转换，提出了一种将任意视角下待识别人的行走序列矫正为规范视角下行走序列的算法，这种算法无需计算三维深度信息，适用于仅有单摄像机的实际监控环境，相对于建立3D模型等其他方法简单易实现。实验证明将矫正后的步态序列用于步态识别，能有效的提高识别率。