随着信息技术的不断发展和成熟,计算机视觉技术在人们生活中的应用越来越普及,利用计算机视觉技术实现的生物识别在日常生活中得到了重要的利用。和其他的识别技术相比,生物识别技术有着唯一性和稳定性的优点,因此引起相关领域研究学者的广泛兴趣。现在的生物识别技术主要包括：虹膜识别,指纹识别,人脸识别和步态识别等。视频序列中的运动人体目标可通过计算机视觉技术进行目标检测,图像处理,特征提取,特征融合等处理来达到身份识别的目的。运动人体特征的分析和识别在很多领域(智能监控,人机交互,虚拟现实等)和敏感安全场合(银行,机场,军事基地等)有着重要的价值和意义。本文的研究目的是进一步提高视频序列中人体身份识别的性能,为智能监控系统实现真正的应用做出相应贡献。完成人体识别的关键是提取有效、可靠的人体特征,这些特征包括人脸特征、虹膜特征、指纹特征、步态特征等。其中步态特征具有远距离、非接触性、难于隐藏和伪装等优点,是更适合用在智能监控系统中的运动人体特征,近年来有大量的步态识别算法涌现出来。一般情况下,运动人体识别包括运动人体目标提取、提取运动特征和分类识别三个部分。本论文在对大量运动特征识别经典算法研究的基础上,重点对特征提取部分和分类识别两部分进行了研究改进,提出一种识别性能更优的新算法。本文做的工主要作和取得的成果包括：1.提取了更优的运动人体特征。人体运动过程中有许多特征可以提取,把所有的特征都提取出来用以身份识别可以得到100%的正确率,但显然这是不现实的,若值提取单一的特征进行识别又会使识别率变的很低,基于此,本论文选取的是区域面积特征和肢体角度特征来表征运动人体,这在保证了实时性的情况下有效的提高了识别率。人体轮廓具有唯一性,可用来表征人体身份,传统上人们用轮廓上实际的轮廓点来描述人体轮廓,本文对此进行了改进,将运动人体区域划分成若干个小区域,并利用每个区域的面积特征对轮廓进行描述,这样不仅省去了检测轮廓线的复杂计算也减少了不实轮廓点对识别性能的影响。随人体进行同步运动的上百个肢体关节包含丰富的动态特性,本文提取躯干等九个肢体角度特征和表征静态特性的区域面积特征在决策层进行融合后用来最后的身份识别。2.对分类识别算法进行了深入分析。论文的最终目的是完成身份识别,提取的特征是为分类识别服务的,本文选用模糊最近邻分类器实现目标的分类,该分类器是一种多分类器并联结构分类器,通过单分类器将单个特征进行分类后,根据不同特征在融合过程中的隶属度不同加入权值进行融合做出最后的分类决策。实验表明,本文算法有较理想的识别性能。