人们的行走姿态,即步态,是对人进行识别的十分重要的特征,虽然不是非常显著的生物特征,却得到了很好的识别效果。与其他生物特征识别方式相比,基于步态特征的识别主要优点在于非侵入性。测试者不需要特殊的配合,即使对较远距离采集的低分辨率数据进行识别,仍然有很好的表现。步态的识别与分类是视觉领域一个重要的研究方向。根据输入数据的不同可以分为两类。其中使用普通摄像机获得数据的方法发展的比较早,对数据预处理过程较繁琐,方法已经比较成熟,在识别和分类性能上的提升空间较小。基于Kinect的识别方法最近几年才出现,由于其数据捕捉环境要求较低,价格更低廉,获得数据更准确,所以在步态识别领域的应用十分广泛。本文提出了一种针对由神经病变而导致的步态病态异常的分类算法,例如对帕金森、偏瘫等疾病分类。针对分类问题,本文主要关注一些异常的运动,如震颤,局部麻痹,身体僵硬和姿势不稳等。这些异常的运动细微而又多种多样,缺少常规特征或者循环周期,使得分类工作十分困难且具有挑战性。本文创新性地引入了一种新的步态表示方式,使相似度的度量与行走周期无关,并且使高效分类成为可能。本文提出的方法基于Kinect运动传感器捕捉的三维人体骨架信息,包括关节位置和运动轨迹,对步态进行识别。对骨架信息进行时间-空间特征提取,定义了一种用于分类的重要性度量方法。算法不需要过分精细的捕捉环境,也无需额外的校准与同步,鲁棒性很强。采用了不同神经疾病的患者的真实数据进行实验,将本文方法与已有方法进行比较,实验结果表明本文方法优于其他对比算法。除了疾病分类外,本文同时进行了年龄,性别,疾病程度的划分试验,取得了良好的效果。本文的主要工作和贡献有：1.基于Kinect采集数据,提出并实现了一种非侵入式的、自动的病态步态分析与识别系统,为病态步态的远程诊断提供了可能。2.针对病态步态的特点,设计了基于全身关节的步态分类器。通过计算由Kinect获得的三维骨架,利用全身所有关节的时间-空间特征信息对步态进行分类,相比仅用标准的步幅参数等特征的方法提高了检测的准确率。3.提出了一种数据不相似性的度量方式,衡量训练数据的重要性,自动去除训练数据中冗余、无效和错误的信息,提高了分类的准确率。