本文对两大类步态识别算法进行了深入研究，其主要内容集中于步态特征的提取和分类器的设计两部分。 在特征提取阶段采用多种不同的方法提取多种不同的步态特征，其中效果较好的是一种基于模型的特征提取方法。本文使用关键点和肢体角度构建人体的骨骼化模型，并对模型的各项参数提取做了改进，从人体的骨骼化模型中提取人体的静态参数(如身高、步幅等)以及动态参数(如运动过程中关键点的位置、运动轨迹、肢体角度、行走速度等)作为步态特征；在另一类非基于模型的方法中，一种是通过计算光流场获取步态特征；一种是计算人体的宽度向量作为特征。这些特征有效地描述了人行走过程中的动态变化特性。 本文第二部分重要工作在于，将语音识别领域取得成功应用的隐马尔可夫模型(HMM)引入到步态识别中，利用HMM较强的时间建模能力映射人行走的步态序列，其中对HMM模型中码本的生成提出了改进，采用自组织竞争人工神经网络(SOCN)进行无监督的聚类，并对SOCN的学习规则进行了优化，将充分训练后的网络用作聚类和矢量量化，既提高了算法的效率，又提高了正确分类率。 在分类器设计部分，重点研究了径向基函数(RBF)网络分类器的应用。本文采用了改进的减聚类算法确定RBF径向基函数的中心参数，并利用自动终止聚类判据确定径向基函数的数目；用梯度下降法对输出权值进行调节。该算法既能合理地对学习样本进行聚类，又可提高网络的映射能力。 最后，本文通过大量的实验验证了所提出算法的有效性。而且，将PCA与RBF、HMM与RBF、HMM与SOCN结合起来使用的做法，能够发挥各种方法的优势，大大提高了识别性能。