步态识别是利用步态信息对人的身份进行识别的技术。一方面,基于深度学习的步态识别算法学习性能严重依赖调参,以及训练深度学习模型需要大量的训练数据,而现存步态数据库规模有限,因此探索适用于小数据集且参数少的步态识别算法具有重要科研价值和实际意义。另一方面,基于卷积神经网络的步态识别算法在多视角步态识别问题上取得了良好的识别性能,且特征提取对步态识别来说至关重要,但步态特征的提取受到行走角度、携带物以及穿着条件的影响,所以利用卷积神经网络提取更加丰富和具有代表性的多视角步态特征显得很有必要。本文针对上述问题,提出了基于孪生深度森林(SDF)的单视角步态识别算法。该方法需要的参数少,样本量少,给解决单视角步态识别问题提供了另外一种思路。此外,本文创新的将Highway网络应用到多视角步态识别领域,有效提高了多视角步态识别的准确率。本文的主要研究内容及成果如下:(1)针对基于深度学习的步态识别算法需要的参数多、训练数据量大等问题,本文提出了基于SDF的单视角步态识别算法。首先通过分析SDF的训练方式,结合步态识别问题,构造适用于SDF的单视角步态识别数据集。其次通过探讨SDF的权重计算方式、损失函数构造以及训练算法,设计了基于SDF的单视角步态识别算法的训练流程和测试流程。为了使SDF能以较大的确信度将一对步态能量图(GEI)分开,进一步提高SDF的泛化能力,通过在SDF的损失函数中引入分类间隔,提出了改进的孪生深度森林(MSDF)的单视角步态识别算法。实验结果表明,SDF和MSDF结构可以用来解决单视角步态识别问题,并且该算法需要的超参数少、样本量也少。(2)针对多视角步态识别需要提取丰富的特征这个问题,提出了两类基于Highway网络的多视角步态识别方法。首先通过对Highway网络的设计动机进行再思考,本文认为Highway网络由左右两个特征提取模块构成。其次,根据前面的假设设计了两类基于Highway网络的多视角步态识别网络结构,并讨论这两类网络的特征提取方式的异同。随后构造多视角步态数据集,并在数据集上分别测试这两类网络多视角步态识别的准确率。最后分别选取最优模型进行多组实验。实验证明,本文设计的Highway网络结构可以提取丰富的步态特征并提高多视角步态识别的准确率。