服务满意度评测研究一直是服务行业备受关注的问题。传统的服务满意度评测研究更多是针对特定场景设计量表,通过统计分析量表来评测被服务者对提供服务的满意度情况,评测结果取决于被服务者自我报告的可靠性。然而被服务者往往会因为诸如他人语言提示等外部因素干扰没有报告真实的结果,所以需要一种不会被众多外部因素干扰的技术进行服务满意度状态的识别。本文创新性地提出一种基于深度学习的数据驱动模型和算法,在特定场景下,以根据个人的步行步态评测他们的服务满意度。并且将服务满意度分为三种离散的状态:满意,不满意和中性。同时由于收集个人的步态数据十分困难,且对其进行标注服务满意度状态十分耗时耗力,所以需要一种方法能够生成服务满意度状态对应的步态。为此本文也提出一种新型的能够生成具有相应服务满意度状态标签的人体步态生成模型。具体而言,本文的主要研究内容和贡献如下:1、针对目前缺少带有服务满意度状态标签的人体步态数据集问题,本文收集了一个新颖的“Satisfaction-Gait”数据集。该数据集由5149个真实人体步态数据以及900个生成步态数据组成,这些数据均标注有感知到的服务满意度状态类别。2、提出一种新型的基于人体步态的服务满意度评测模型。更具体地说,本文在数千个带有服务满意度状态标注的人体步态数据上使用分层式共现网络（HCN）学习全局共现特征。此外,还使用姿势和运动线索从人体步态计算出局部心理学特征,并对局部心理学特征使用多头注意力机制（Multi-Head Attention）进行融合处理。最后结合全局共现特征和局部心理学特征进行服务满意度状态分类。最终模型取得了87.58%的平均准确率,优于实验中其他已有研究的分类性能。3、提出一种新颖的基于变分生成对抗网络的人体步态生成模型。模型主体使用一种结合变分自动编码器与生成对抗网络的通用框架（CVAE-GAN）,它也在带有服务满意度状态标注的真实人体步态数据上训练,可以轻松生成相应服务满意度状态的步态。同时能保证生成步态的真实性、多样性和可辨别性。