由于人体步态视觉特征具有可在远距离处获取、不易伪装、无需受测者主动配合等不可替代的优点,故基于人体步态的研究在刑事侦查、安全防控以及临床医学等众多领域中具有重要的科研和应用价值。然而诸如视频等基于可广泛采集的视觉数据,其包含的步态特征又极易受到行走角度、衣着、携带物变化等因素的干扰,进而导致步态轮廓产生较大变化。故在将步态特征用于身份识别时,如不对此类干扰因素做相应处理,则会极大的影响步态识别的准确率,进而限制步态识别在实际工程中的应用。除此,在步态轮廓获取的过程中,由于行人轮廓的提取存在误差,使得提取出来的图像有局部缺失或者阴影,如不对其进行优化,将影响步态识别的最终识别率。据此,本文主要工作如下:(1)对步态识别研究的历史及现状的调研与分析。调研步态识别的起源以及将步态作为人体身份识别的科学依据。综述国内外步态识别的研究现状,分析现有步态识别常用的方法,为本文以及其他关相关研究提供一定的理论支撑。(2)对使用张量建模处理步态数据的研究。在行人步态轮廓获取时,由于行人身体的摆动、光线的变化等多种因素会出现阴影等干扰因素,而背景建模也无法做到绝对的准确。即便经过相应的图像形态学处理,最终得到的某些步态轮廓仍会有较大的噪声干扰。本文提出对步态图像进行张量建模,并利用张量鲁棒性主成分分析法对步态数据进行优化,以得到噪声更小的步态图像,提升其表征能力,进而提升步态识别的性能。(3)对利用深度学习进行行走视角与不同状态之间转化的研究。由于视角、行走状态等因素的变化会使步态轮廓产生较大的改变,进而导致步态识别的准确率急剧下降。为了解决此问题,本文在生成式对抗网络的基础上,提出身份保持循环生成式对抗网络,实现将步态图像的不同视角、不同状态转换至统一状态。即在原生成式对抗网路的基础上,针对不同状态的轮廓差异较大的问题,使用循环生成的方式,提高神经网络生成能力;在转化的过程中增加身份保持判别器,以保留身份信息,最终提升步态识别的准确率。在大型步态数据库CASIA-B与CASIA-C上实施的实验结果表明,本文提出的算法框架取得了较高的识别率。证明本文提出的算法,能较好地解决视角、行走状态变化等常见的步态识别问题。