随着科技的不断进步发展,身份识别已经和我们生活密不可分,并且已经广泛应用于生产活动中。如门禁系统、人脸识别系统、监控系统等都和身份识别都有着密切的关联。身份识别的广泛应用为人们的生活带来了极大的便利,同时也给我们的安全提供了强有力的保障,在实际生活中发挥了重要作用。然而,身份特征提取和分类作为在安防领域的重要关键技术,仍然面临着诸多困难和挑战,存在着一系列亟待解决的问题。一方面,人脸信息是否能正常捕捉是身份识别过程中的关键因素。在可以捕捉到足够人脸信息的条件下,如何解决人脸表情的多样性、角度的变化以及人脸遮挡的问题成为身份识别的关键。在无法捕捉人脸信息或者人脸信息不足条件下,行人姿态多变性、衣服穿着多样性以及图像遮挡和模糊等问题,使身份识别变得更具有挑战性。另一方面,由于现实生活中监控视频背景环境复杂,摄像头距离和清晰度等因素的影响,往往会加大识别的难度。因此,这对身份识别特征的鲁棒性提出更高要求。为了更好的解决这些问题,在基于现有身份识别的基础上,本文针对不同场景的身份识别问题,研究了面向身份识别特征提取及分类的关键技术。首先,在常规受控场景下的身份识别,通常能捕捉到足够的人脸信息来进行身份识别。为了提高特征的鲁棒性,本文提取了图像的深度特征用于识别,相比与传统的手工特征,深度特征更具有鉴别力。同时,深度特征提取过程中一些类间和类内信息没有充分考虑,本文提出了深度特征的联合协同表示方法,实验结果表明,该方法取得更高的识别精度。其次,对于非受控场景下的身份识别,面对无法获取人脸信息或者人脸信息不足等情况,本文提出树形分支网络模块,并且联合局部和全局特征一起学习的特征提取方法。该方法最主要的贡献在于提出更有效的局部分块方法,同时又考虑全局特征在识别过程中的重要性。此外,相比与现有的一些方法,本文提出的方法不需要任何额外信息辅助识别,避免了额外信息引入带来的误差,同时也减少了额外的计算量。最后,本文在树形分支模块的基础上,提出局部和全局特征互学习的方法。为了使特征更加鲁棒以适应复杂场景下的身份识别,该方法联合了局部和全局特征进行互学习,极大地提升了身份识别精度。