步态识别作为新兴的生物特征识别领域,近年来越来越受到研究者的关注。与其他生物特征识别技术相比,步态识别具有不易伪装,可以在远距离、非接触的情况下获取的优势。随着监控的普及,海量的数据需要分析处理,单纯靠人力来处理分析显然是不现实的。因此,步态识别的研究显得尤为重要。步态识别的方法主要分为两类,一类是将步态看作图像,将步态轮廓图压缩成一幅图像,转换为图像相似度匹配问题,然而这种方法忽略了步态之间的时序信息;另一类是将步态看作视频序列,将步态轮廓序列送入LSTM或3D-CNN网络中训练以提取特征,该类方法可以很好地利用步态序列中的时序信息,但是计算代价高昂且不易训练。为了降低训练时间,本文从人体轮廓中提取步态特征时间序列,研究基于时间序列的步态识别分类。本文的主要工作包括:(1)利用背景减除法,从原始视频中提取人体轮廓序列,针对轮廓上半部分进行形态学闭运算,以获得效果更好的轮廓图。(2)通过对人体轮廓进行建模,估计人体关节点位置,获得对应的步态特征时间序列,将获得的多个步态特征时间序列相结合,利用全卷积神经网络进行分类,在小问题规模上获得了与当前领先的方法相近的效果。(3)通过生成对抗网络的方法将单一视角步态视图转换为其他任意视角,对比了不同角度数据集下的识别准确率,分析了将步态视图转换为除侧视图之外的其他视角的可行性。实验结果表明,本文提取的轮廓图能获得更优的识别效果。同时,以时间序列作为输入,基于全卷积神经网络的步态识别方法,在小规模数据集上取得了与其他深度学习方法接近的识别效果且大大降低了训练时间。