随着社会的发展,视频监控取得了重大的发展,如今在重要的公共区域,比如火车站,机场,学校,商场都处于视频监控范围之中,保证了社会的和谐发展。人是社会的主体,社会上发生的大多数事件都与人息息相关,因此从海量的视频中自动判断行人生物属性(性别,年龄等)的图像识别技术获得了研究机构的广泛关注,但是以往的技术往往采用人脸图像进行识别,当人脸图像被遮挡,分辨率较低时会严重影响识别工作。步态是行人行走的姿态,是一种行为特征,可以用行人的轮廓表示行人的步态,这表明步态对图像分辨率的要求较低,因此可以在远距离获得行人的步态,具有较高的隐蔽性。因此基于步态分析的行人属性识别方法研究受到广泛关注。本文首先研究了行人属性的研究背景与意义以及国内外现状,并对步态识别的研究现状进行分析,其次详细阐述了获取行人二进制轮廓图,步态周期的判断,步态能量图生成等相关方法,并对深度卷积神经网络中的相关理论知识进行详细研究,在此基础上,完成了以下研究内容:(1)研究了一种基于深度特征的性别识别方法。针对视角,行人行走状态对识别工作的影响,首先从步态能量图中提取HOG特征以完成识别,实验表明HOG特征虽然对视角具有鲁棒性,但不能有效描述背包,大衣对行人步态的影响。于是提出了一种残差扩展模块,利用该模块搭建残差扩展网络,利用该网络提取深度特征并结合支持向量机完成分类,将CASIA步态数据库的Dataset B用于实验评估,表明提取的深度特征对视角,行人行走状态都具有较高的鲁棒性,与其他算法相比较,证明了深度特征能够描述出男女行走姿态之间的差异。(2)设计了一种动态权重多分类交叉熵损失函数。在现实生活中,青壮年的数据采集相较于儿童,老年人而言相对容易,这就造成年龄样本数量分布极不均衡,这不利于神经网络的学习。针对这一问题,利用动态权重去约束神经网络将识别结果预测为多样本类的倾向。OULP-Age数据集用于性能验证,实验表明动态权重相较于固定权重,无权重对神经网络施加了更大的约束力,动态权重约束的神经网络提取的深度特征具有有效的描述力。综合两种算法,本文的工作实现了对行人的性别,年龄的识别,在数据集上的评估实验证明了两种算法的有效性。