步态识别指通过人走路的姿态方式来识别人的身份或身份属性(如性别),它是一种新的生物特征识别技术,近几年来被越来越多的研究者所关注。和其他生物识别技术相比,步态识别具有远距离识别、难伪装和安全性强、非受控识别等优点,这些优点使步态识别技术在安防、智能视频监控等领域具有巨大的应用潜力。然而在现实生活中,人的步态容易受到视角、携带物、衣着等协变量因素的影响,导致识别效果不佳。如果能进一步提高步态识别方法的性能,将有助于步态识别投入商业应用,带给用户更多的便利。在总结和分析前人研究的基础上,本文提出了基于Dense Net深度迁移学习的步态识别方法,简称DNDTL。该方法首先从原始步态视频序列帧中提取出人体二值轮廓图,计算出步态能量图。然后将Dense Net作为迁移的预训练模型,将步态能量图输入模型进行网络微调。接下来将微调训练好的模型作为特征提取器,提取最后一层的输出作为深度步态特征,通过最近邻分类器对人的身份进行识别;或直接将DNDTL作为一个二分类器对人的性别进行分类,并采用K折交叉验证进行评估。同时针对步态受视角影响大,在跨视角进行步态识别时识别率低的问题,本文提出了DNANL深度迁移学习的跨视角方法。该方法结合方差分析和线性判别分析法,优化步态识别的类内和类间方差,提取出更适合跨视角步态识别的深度步态特征。本文在中科院自动化研究所公开的CASIA-B数据集上进行同视角、跨视角和多状态下基于步态的身份识别以及各视角下的性别分类,并与其他主流的步态识别方法进行比较,结果表明本文提出的方法具有较高的识别率,且对视角、携带物、衣着三种协变量具有较好的鲁棒性。