步态识别技术是一种根据行人走路姿态进行身份识别的生物特征识别技术,具有远距离、非接触、难伪装等优点,这使得步态识别成为一种更具价值的身份识别技术,具有广阔的应用空间,在智能监控、刑事侦查等领域更具优势。但是视角、服装、携带物等因素对于步态特征会产生较大的影响,使得步态识别仍然是一个具有挑战性的任务。由于基于人体外观轮廓的步态模板很难将服装及携带物与人体本身分离,可能会导致人体的外观形状发生改变,从而影响识别的准确率。而基于人体关键点的骨架信息则对服装、携带物等因素具有较好的鲁棒性,因此本文采用人体关键点的方式,同时基于人体的对称性和结构性,使用多尺度图卷积神经网络学习步态特征,并给出多粒度步态识别算法进行步态识别。本文的主要工作内容如下:（1）构建基于对称性的步态时空骨架图人在行走的过程中,一方面人体左、右两侧步态功能具有一致性,即步态特征的对称性,另一方面肢体的周期运动又是一种具有时间信息的动态特征,因此本文给出一种基于对称性的步态时空骨架图,用以表示人体步态信息,该方式不仅减弱了服装、携带物等因素的影响,还增加了对步态识别有效的对称性信息。（2）基于对称性的多尺度时空图卷积神经网络由于基于对称性的步态时空骨架图是一种图结构,而图结构为非欧几里得数据,因此采用基于对称性的图卷积神经网络提取骨架图的时空信息。静态的步态特征会对步态识别起到积极作用,比如肢体长度、关节角度等,因此提出使用多尺度图卷积神经网络学习步态特征,同时融合浅层静态特征、中层结构特征以及高层动态特征。实验结果表明,通过将浅层静态特征与中层结构特征作为高层动态特征的补充,进一步提升了步态识别的准确率。（3）基于注意力机制的多粒度步态识别算法在行走的过程中,人体的不同部位有着不同的运动模式,为了学习不同部位的运动规律,将人体分成三个部分,关注人体的局部区域,学习到更细节的步态特征。本文采用多粒度步态识别算法进行特征提取,首先对每一个身体部位采用多尺度图卷积神经网络学习步态特征,其次通过注意力机制用全局特征引导局部特征融合,最后将全局特征和局部特征进行融合得到更具有判别力的步态特征,进一步提高了特征的可区分度和步态识别的准确度。（4）基于人体骨架图与步态轮廓图的同态异构数据融合方法为了充分体现不同步态信息表征方式在不同视角、不同行走状态下的优点,本文将步态时空骨架图和步态轮廓图两种同态异构数据进行融合。分别提取两种数据的步态特征,并在决策级采用加权方式进行融合,进一步提高了不同行走状态、不同视角下的步态识别性能,同时表明了两种步态信息的互补性,为未来步态识别研究提供了一个可靠的参考方向。本文所给出的算法在公共数据集CASIA-B上进行实验,其包括124人、三种行走状态、11个视角。实验结果表明,当视角相同时,正常状态、背包状态和穿大衣状态的平均识别准确率分别为99.91%、99.55%和96.45%;在跨视角条件下,三种状态的平均识别准确率分别为98.6%、96.4%和91.0%。与现有典型算法相比,本文算法表现出了更高的性能,其中穿大衣状态的识别准确率显著提高。本文基于人体关节点,给出了基于对称性的步态时空骨架图,采用多尺度图卷积神经网络提取步态特征。根据人体的结构性,将人体分成三个部分,分别学习局部特征和全局特征,通过注意力机制将局部特征和全局特征进行融合得到多粒度步态特征,有效地提高了模型的鲁棒性和识别的准确率。