步态识别作为一种基于人体生理和行为的生物特征识别技术,由于其具有非侵犯性和远距离识别性,在计算机视觉等领域一直都是备受关注的研究热点,在无人驾驶、视频监控、公安刑侦等领域具有非常重要的应用价值。红外步态识别是利用热成像仪对人体进行步态检测,与可见光的成像原理不同,红外步态图像是对人体内部热辐射感应而成的像,并且具有光照不敏感、穿透烟尘雾霾能力强的优点,并且它不受环境因素的限制,可全天候、全天时成像,具有极强的环境适应性。但步态红外图像存在图像人物与环境对比度低、背景噪声大、人物边缘模糊、视觉特性差等特性,导致在红外图像中进行人体目标身份识别存在着较大的困难,往往检测到了目标,但却难以辨认出其具体身份。目前大多数步态识别方法都是针对与可见光的步态图像所提出的。本文提出了一种基于步态能量图的双层卷积红外步态识别模型。首先,对中科院自动化所(CASIA)的DatasetC(红外视频库)数据集进行图像序列的分割,并采用小波变换和CLAHE(Contrast Limited Adaptive Histogram Equalization)相结合的方法对原始红外步态图像进行增强。其次,在对目标人体进行提取后,利用膨胀和腐蚀等形态学处理方法克服了红外步态图像中产生的噪点和细节缺失等问题,并且通过归一化操作进一步确定人体图像的尺寸、质心。然后,将预处理之后的红外步态图像生成步态能量图作为步态图像的样本库,对本文提出的双层卷积识别模型中的各层网络结构以及卷积核的尺寸和数量等参数进行分析讨论。最后,采用自适应学习率的Adam算法对学习模型进行了优化。本文提出的深度学习算法通过Python编程语言在PyTorch框架中实现。仿真实验表明,与普通红外图像相比,步态能量图能够更好的表征红外人体步态特征,而且双层卷积网络结构相比于单层模型能够在耗时低、占用内存小的情况下,显著提高识别准确率和模型稳定性。