基于生物特征的识别技术是实现身份认证的手段之一,主要利用人类独特的生理特征或行为特性完成身份验证。相对于传统的身份认证技术,基于生物特征的识别技术具有更高的识别效率以及更高的安全性。作为一种新兴的生物特征识别方式,步态识别主要利用行人行走的姿势及变化进行身份识别,具有远距离识别和难以伪装等优点。随着卷积神经网络的发展以及其在计算机视觉领域的成功应用,越来越多人将其引入到步态识别研究当中。步态容易受到视角、服装、携带物等多种变量的影响,复杂场景下的步态识别仍然面临着较大的识别困难。本文引入深度学习对步态识别问题进行研究,使用卷积神经网络来学习步态图像中具有区分性的深度特征,使得分类的效果更好。具体地说,本文提出了一种基于反馈卷积神经网络的步态识别方案,引入反馈机制将深度特征与手工特征融合,并训练一个深度网络模型来完成步态分类任务。另外,针对步态数据由于视角等差异变化而导致其特征中出现不显著的类间距和大的类内距的问题,提出了一种基于多损失卷积神经网络的步态识别方案,在实现分类的同时增大类内距和类间距的差异。方案通过设计一个模块将分类损失函数和三元组损失函数融合,进一步优化分类模型中步态数据与深度特征之间的映射关系。同时,方案中采用批量标准化操作来防止模型的过拟合。因此分类模型中学习到的深度特征不仅是类别可分的,更是类内紧凑的,进一步提高了步态识别的准确性。最后,本文分别在CASIA-B和OU-ISIR步态数据库上对提出的步态识别方案进行评估,实验结果表明了本文方案的有效性。