步态识别是近年来计算机视觉和生物特征识别领域一个备受关注的研究方向，旨在根据人们走路的姿势进行身份识别或其它特征检测。与其它生物特征识别技术相比，如指纹、虹膜和人脸等，步态是远距离唯一可以感知的生物特征，而且还具有非侵犯性、清晰度要求低和难以隐藏等优点，因此是现代国防建设、恐怖袭击安全领域的研究热点。步态识别是针对摄像机拍摄的人体行走运动的视频图像进行分析，其关键是提取出合适的静态和动态的步态特征来描述人体行走特性，导出步态标签并结合分类器对行人身份进行识别，融合了计算机视觉、视频（图像）处理和模式识别等领域的多种技术。鉴于步态识别技术具有重要的理论研究意义和实际应用价值，本文对其进行了深入的探讨，在前人的基础上做了以下的研究和创新：(1)研究步态识别的预处理。首先使用混合高斯模型和差分法对输入视频进行侧面轮廓的提取，然后介绍经典步态数据库，对3类6种步态周期检测方法进行对比；最后对轮廓图像进行形态学后处理和模板化，并且在步态能量图的模板化中对头部重心进行配准，准确地提取出特征数据。(2)提出基于主成分分析（PCA）进行特征提取和降维，使用支持向量机（SVM）作为分类器的步态识别算法。通过实验说明，在拍摄视角固定，服装类型不变的条件下，相比传统算法在识别率和识别速度上性能增强不少。并且对比了11个拍摄视角下的算法性能，利用8邻域统计得出90°为最佳视角。(3)针对现实生活中，服装类型千变万化的情况，提出了基于随机子空间的步态识别算法。首先为克服PCA存在的高维数据灾难问题，引入2DPCA，并创新性地提出E2DPCA，在此基础上扩展为C2DPCA和W2DPCA进行特征提取和降维；然后为避免分类器对服装类型的过拟合，引入随机子空间的思想，并且结合投票原则降低随机性引起的误差。实验结果表明，相对于传统算法，本文采用的方法在识别率上提升了25%-30%。(4)研究随机子空间维数和个数的优化问题：当子空间个数增加时，识别率无限逼近某一阈值；当子空间维数变化时，分类器会发生由欠拟合到过拟合的状态变化，因此需要确定一个最优取值范围。(5)研究服装类型和身体部位对步态识别的影响：通过对比不同服装类型在算法上的识别率，统计出遮盖大部分身体细节的困难识别服装类型；对于困难识别服装类型，创新性地提出使用分块局部身体特征进行识别。本文的研究结论是：1.对服装和视角不变的步态识别，使用步态能量图、主成分分析、支持向量机的算法可以取得理想的身份识别效果（大于97%）2.对服装变化的步态识别，使用随机子空间的方法可以克服服装过拟合的影响，取得良好的身份识别效果（大于85%）3.对困难服装变化的步态识别，使用分块局部身体特征可以取得不错的身份识别效果。