人体步态作为一种生物特征,可由行走过程中身体不同部位的运动信息综合表征。与其它生物特征不同,人体步态可应用于非侵犯性远距离身份认证和疾病早期检测。考虑到因遮挡、衣着、行走速度和捕捉角度等外界因素变化而导致步态识别难度的提升,本学位论文使用多支路卷积神经网络对基于视频的人体步态识别任务展开了研究。1.针对时空步态信息难捕捉问题,设计了一种基于步态轮廓流和步态特征差分流的双流网络模型。首先,步态特征差分流可以有效捕捉相邻步态图像之间的动作信息,并与步态轮廓流的输出进行有效融合以共同表征时空步态信息。其次,为了充分挖掘步态序列中的多粒度步态信息,搭建了多尺度金字塔映射（multi-scale pyramid mapping,MPM）模块,并引入到各支路网络中以增强模型对多粒度步态信息的捕捉能力。最后,该模型在公开步态数据集CASIA-B上进行了试验分析,实验结果表明:所构建的双流网络模型可以有效地捕获步态序列中的时空步态信息。2.针对多粒度步态信息表征不足和浅层卷积神经网络所捕获的步态信息易丢失问题,设计了一种结合多尺度卷积和金字塔池化的多支路网络模型。首先,多尺度卷积模块（Multi-scale Convolution Module,MCM）以步态轮廓图为输入,用来丰富输入到各支路网络中的步态信息。其次,多支路网络模型以MCM模块的输出数据为输入,并在挖掘多粒度步态信息的同时弥补易被丢失的浅层网络所捕获的步态信息。最后,通过将多尺度金字塔池化（Multi-scale Pyramid Pooling,MPP）模块引入到各支路网络中以进一步增强模型对全局和局部步态信息的捕捉能力。该模型在公开步态数据集CASIA-B上与现有模型进行了精度对比,实验结果表明:所构建的多支路网络模型可以有效地捕获多粒度步态信息。