近年来,随着视频监控设备大量的普及在人们生活的周围,每时每刻都产生着大量的视频数据。同时人为观察这些监控视频无疑要消耗大量的人力、物力。所以人们寻找着各种各样的生物特征识别技术,希望通过计算机自主完成识别行人的任务。通过观察我们得到的视频数据,我们发现视频监控设备往往悬挂在高处,仰角比较高,距离比较远,原来的一些类似于人脸识别这样的技术很难得到理想的效果,于是我们在步态识别研究的基础上,提出了一种基于多种动作的行人身份识别方法。与传统的模式识别方法一样,我们主要解决的是如何寻找一种具有高表现力的特征提取方法以及如何寻找一种识别能力强的分类器的问题。本文首先使用分层匹配追踪算法为原始视频数据提取特征,通过构建一个空间金字塔模型,将视频图像中多尺度、各种位置的空间信息储存在特征中。然后选取保序稀疏表示作为我们的分类器,通过将视频序列空间与时间上的转储,使得我们在特征中保存的空间信息充分的被分类器照顾到。与此同时,我们还研究了时空保序的行人身份识别。最后我们通过在一个公开的数据集上的实验验证了我们提出的算法的有效性。在研究可见光下的行人身份识别的过程中我们发现,如果我们拥有深度信息的支持,可能会获得更好的识别效果,再加上自从微软Kinect设备发售以来,精确而廉价的深度数据设备越来越多的出现在人们的日常生活中,随着科技的发展,深度相机势必取代现在的可见光相机而成为主流的视频数据采集设备。于是我们在RGBD数据上采取了一个改进的分层匹配追踪算法用来进行特征提取。并通过在MSR 3D Action这个深度视频数据库上的实验验证了我们算法的有效性,为日后的进一步研究打下了基础。