在信息化智能化的当代,生物特征识别技术已被广泛应用于安防监控等重要领域以保障个人与社会安全。其中人脸和步态识别以及其多模态融合识别具有无感非接触式的特点,展现出极大的研究和应用价值。然而,面对实际复杂场景中的多种挑战,人脸和步态识别以及其多模态识别系统存在如下亟待解决的问题:对于步态模态,如何从复杂场景的低质量轮廓数据中提取鲁棒的身份特征是关键问题之一;对于人脸模态,配戴口罩是应用场景中的常见问题,口罩遮挡了大量脸部信息成为人脸特征提取的难点;对于多模态生物特征识别系统,如何有效的结合人脸和步态信息提升复杂场景下系统整体的识别性能是难点和痛点之一。针对上述问题,本文分别对无约束步态识别算法和口罩人脸识别算法,以及结合步态和人脸的多模态融合识别这三个关键点开展工作:第一,针对无约束步态识别问题,本文提出了一种高效优化策略充分利用复杂场景带噪声的步态数据训练特征提取模型,提升复杂场景下步态识别的准确性和鲁棒性。通过设计质量过滤模型去除丢失身份信息的低质量训练数据,并进行高斯模糊和随机遮挡实现数据扩增,以三元组损失和Softmax分类损失构建多任务损失联合优化步态特征提取模型。本文提出的优化策略应用在无约束步态识别比赛数据集上的能提升5.8%的准确率,并且能推广到其他步态基准数据上提升步态识别性能。第二,针对复杂场景中的口罩遮挡问题,本文提出了分块注意力双支路联合优化的口罩人脸识别算法,包括自注意力和先验注意力机制。设计的自注意力模块通过增强特征图的有效通道和空间位置的权重,提升骨干网络的特征表达能力。此外,设计的先验注意力通过构建局部分块支路形成双支路结构,在训练阶段引导人脸特征提取模型关注上半脸的未遮挡区域。在多个合成和真实口罩人脸数据集上进行实验,与其他先进算法对比,本文提出的算法展示出最好的效果。第三,结合步态和人脸特征的多模态生物特征识别,本文提出了一种基于深度学习的人脸步态特征融合算法,并设计和搭建了一套可实时运行的面向复杂场景的多模态生物特征识别系统。本文使用神经网络融合多模态特征,利用三元组损失优化融合模型的参数,在特征层实现人脸和步态信息融合,在构建的多模态数据集上展示出比单模态特征更好的识别性能。综上,本文设计多模态自适应识别策略以及融合算法构建了一套人脸与步态融合识别系统,在实际场景中应用能进行有效的身份识别。