生物特征识别技术是指利用人体所固有的生理特征或行为特征来进行身份识别的技术。指纹、虹膜、脸像等生物特征，通常要求近距离或者接触性的感知，而步态是远距离情况下唯一可感知的生物特征，具有非接触性、非侵犯性和难以隐藏等特点。步态识别是生物特征识别技术中的一个新兴领域，成为近年来计算机视觉领域中备受关注的前沿方向。围绕着步态识别这个主题，针对目前步态识别研究中的难点，本文主要探讨了运动人体检测、步态特征的提取和表达、身份识别方法和步态序列分析等相关问题。 本文的主要工作和特色如下： 1.针对运动人体检测中存在阴影、目标与背景颜色相似等问题，根据实验数据的特点对RadialReachCorrelation(RRC)算法进行了改动，给出了一种运动人体检测方法。该方法通过背景建模、背景消减以及二值化差值图像，分割出人体区域。在NLPR数据库上的实验结果表明该方法保证了人体区域的完整性，并显著减少了分割图像中的微小斑点噪声，算法执行能够达到20帧/s的处理速度，满足实时处理的要求。 2.为了增强步态特征向量的鲁棒性，提出了一种折叠角度向量，来作为步态特征的描述。在Soton数据库上的实验结果验证本文提出的折叠角度向量在步态匹配中能够解决行走方向左右变化的问题，保证同一人物的不同方向的行走图像序列之间的相似度最大。 3.提出了一种采用隐马尔可夫模型(HMM)对步态序列的建模方法。模型采用折叠角度向量作为步态的特征向量，步态的代表姿态作为HMM中的状态，每一帧与代表姿态的距离作为观察值对步态序列进行建模。使用该模型进行实验，在包括7个识别对象的Soton步态数据库上取得了100％的识别率，在包括20个识别对象NLPR步态数据库上取得了85％的识别率。 4.给出了一种基于HMM的步态分类方法，与其它研究的研究结果比较，该方法的分类速度更快。实验采用的NLPR数据库中的步态序列平均长度为100帧左右，整个分类过程所需时间不超过2min；利用一个步态周期(30-40帧)进行分类，所需时间少于1min，能满足实时要求。 5.给出了一种采用非线性降维局部线性嵌入(LLE)算法对步态序列进行分析的方法。该方法分别将同一人物的快速行走和慢速行走步态图像的角度向量高维特征分别投影到1D、2D和3D空间，从得到的曲线轨迹及其之间的联系分析人物行走速度、手臂摆动和步伐幅度，并进一步明确步态的周期、半周期特点，尤其是在3D空间曲线环中，前后两个半周期中的相似姿态分别位于环的上下两个半环，且距离最远，显著表现了步态的时空特征。