步态识别因其无侵犯性、易于采集、难以隐藏、可远距离识别等特点受到生物特征识别学界的广泛关注，成为多模态生物识别系统的一个重要组成部分。本文针对待识别目标的步态特征样本相对于该目标注册时的步态特征样本存在一些干扰因素，如携带物品或者衣着类型发生变化时，步态识别的准确率会受到影响这一问题展开研究，对常见的步态视频预处理、运动目标检测与分割、形态学后处理及特征提取方法进行了实现，并就存在干扰因素时的特征提取、选择方法以及分类器设计进行了研究。　　本文首先研究了基于信息熵子模式典型相关分析的步态识别方法，提出将局部信息熵值作为子模式的划分依据，以期将干扰因素局限在某一个或几个子模式中，并使用典型相关分析方法建立起了任意一个目标在普通行走情况与存在干扰因素情况下的步态特征之间的联系。在分类阶段，对多个局部相关系数进行加权求和得到整体相关系数，作为最终的分类依据，从而抑制了干扰因素对于整体识别效果的影响。　　基于信息熵子模式典型相关分析的步态识别方法首先需要对当前待测目标的步态样本中是否可能存在干扰因素做出判断，针对这一不足，本文研究了基于扩充字典和协同表示的步态识别方法，针对待测目标步态样本中存在干扰因素时协同表示分类器效果不理想的问题，为字典扩充了一些干扰因素分量元素，以消除重构残差中干扰因素分量的影响。　　在CASIA(B)步态数据库上进行的多组实验说明了本文算法的有效性。最后，本文以Visual Studio2012作为开发平台，利用计算机视觉库OpenCV完成了Windows平台步态识别系统的初步实现，验证结果表明本文实现的步态识别系统在识别准确率和实时性方面均能取得不错的效果。