步态识别在生物识别中是一项具有挑战性和吸引力的任务,研究在监控视频数据下,根据行人行走姿态的周期性变化特征对其身份进行有效识别。同时,其远距离感知能力和良好的隐蔽性也在智能安防领域有着重大意义。步态识别的早期方法主要是基于外观轮廓,而轮廓形状并非一成不变,由于光照变化,穿着衣物或其他外部因素的影响,其轮廓可能会发生剧烈变化。而基于骨架的步态识别方法则可以较少的受外部因素影响,只是目前骨架数据提取及识别方法性能不佳,仍有待提升。基于骨架的步态识别网络由于数据的特殊性,传统CNN网络不太适合此任务;同时骨架中各节点在时域和空域上的关联性,骨架步态的运动信息获取,多层特征融合等问题也亟待解决。为了解决上述问题,本文提出基于时空图卷积的步态识别技术,主要工作如下:（1）设计了基于时空图卷积的跨视角骨架步态识别模型。受到骨架动作识别工作的启发,骨架数据是更适用于基于图卷积的网络来提取特征;其次,二维骨架数据在交叉视角下的鲁棒性较差,因此我们设计了融合损失函数,使网络具备跨视角能力。总体上,更加利于骨架数据的特征学习,也很好抑制了交叉视角所带来的负面影响。（2）设计了节点特征金字塔模块,并引入高阶信息。针对骨架节点缺失以及不同骨架节点运动趋势不一致的问题,本文设计了节点金字塔映射方法用于充分获取不同节点的特征;其中考虑到人体不同部位在行走过程的协调性,对骨架节点进行科学分组。同时引入骨骼、速度等高阶信息,着重于提取其中的运动特征。其次,对不同层次的特征利用特征金字塔进行融合,使网络充分学习骨架步态特征。最后引入时序移位模块,加强网络的时序建模能力。最后,本文算法相比骨架步态识别的先进算法Pose Gait和Gait Graph,分别提升了39.7%和6.7%,达到了目前骨架步态识别算法的最好性能。