步态识别是生物识别技术的重要手段之一,在公共安全、监控检测等方面有着很大的应用前景,特别是随着Kinect设备的发展,更是将步态识别带入了一个新的研究热潮。但是目前步态识别离广泛应用到日常实际场景中仍有一段距离,如何得到具有可拓展性、强鲁棒性、和识别效果好的设计方案是步态识别投入实际应用的关键。本文基于Kinect提供的数据进行一系列研究,针对骨骼信息方面,通过构建3D步态骨骼模型,并结合人体分区法求得步态骨骼模型中身体各部分的分质心和总质心,提取与步态相关性极高的步态特征,如骨骼长度、各分区质心之间的角度和距离等。在深度信息方面,基于步态深度能量图提出了活动深度能量图,并结合鲁棒的主成分分析,给出了一种新的稀疏深度能量图的构建方法,该方法不仅反映了步态深度能量图所代表的平均图像的特征,还包含了在活动深度能量图中富含的步态运动特性。通过引入协同表示方法到步态识别中,提出了一种新的联合多步态特征协同表示方法,该方法可将步态骨骼特征与深度特征联合起来进行识别。分别在特征层和匹配层上应用,得到多步态特征字典的协同联合法和多步态特征匹配分数的协同联合法。经过大量的分析和对比实验表明,联合多步态特征协同表示法能够有效地提取步态特征,其识别效果较其他研究的好。其中,多特征字典协同联合法的识别率最高,平均达97.87%,充分证明了联合多特征协同表示方法能够合理地融合多类步态特征,使步态特征得到了更加有效和全面的表达,并在不同行走状态下的识别效果都较为稳定,具有一定的鲁棒性。