步态识别是最重要的生物特征识别技术之一,在预防犯罪、司法鉴定和医疗健康等方面有着广泛的应用,是一个极具应用价值和科研价值的研究领域。而根据任务目标的不同,步态识别任务可以分为辨别任务和验证任务两类。传统基于模型的步态识别方法需要精确建模人体参数,较为复杂难以实际部署使用。现有基于轮廓序列的方法不能充分建模序列中的时间和空间特征,而基于步态模板的方法特征表示能力和复杂条件下准确率还有待提高。针对现有方法的不足,本文结合最新的深度学习技术对其进行改进,提出了用于辨别任务的时空双流网络步态识别算法和用于验证任务的特征聚合步态识别算法,有效提高了对应任务下的步态识别准确率。本文的主要研究内容及成果如下:（1）为提高现有方法在建模轮廓序列中时空运动特征方面的能力,解决不定长序列难以处理的问题,本文提出了基于度量学习的时空双流特征步态识别算法,并将其用于辨别任务的跨视角识别场景。在骨干网络设计时利用双流网络的思想,构建两种分支网络提取轮廓序列中的特征。融合解纠缠学习的思想,在外观和运动两个分支网络中分别定义空间和时间维度的卷积操作,单独提取空间上的外观特征和时域上的运动特征,并通过横向连接融合捕获外观特征和运动特征之间的联系。利用特征映射模块解决序列长度变化问题,水平金字塔结构提取人体全局和局部步态特征。利用多任务学习的思想,设计联合损失函数解决单独三元组损失函数容易过拟合、收敛慢的问题,使网络学习到更加鲁棒性的特征,提高模型的泛化能力。通过一系列实验结果验证了所提出的创新点的有效性,且相比于已有方法显著提高了跨视角下的步态识别准确率。（2）为提高基于步态模板的方法的特征表示能力,提取更加丰富的步态特征,提升验证任务中步态识别准确率,本文提出了基于步态能量图的多层特征聚合步态识别算法,并将其用于验证任务的多视角识别场景。首先使用3×3小卷积核设计包含多个阶段的基础骨干网络,然后在各个阶段上添加跨层级的长跳跃连接,并使用带有通道注意力机制的卷积块精炼特征,最后与各层特征进行聚合,得到包含低层细节信息和和高层语义信息的丰富步态特征。在构造多视角数据集和设置实验参数后,通过对比实验验证了所设计的多层特征聚合网络和采用的注意力机制的有效性。实验结果表明,该算法在多视角下的平均步态识别率优于现有方法,对视角的变化具有很强的鲁棒性。