生物识别技术是利用个人的生理或行为特征来建立、验证和认证身份信息的技术。近年来，生物识别技术越来越受到人们的关注，而且在诸多领域取得了飞速的发展，如公共安全，信息安全，金融安全等。作为一种新的生物识别技术，由于步态识别技术在非侵入性、远距离和低分辨率方面的优势，步态识别引起了计算机视觉和模式识别等领域人们极大的兴趣，已经成为热门的研究方向之一。然而，步态图像序列通常受到视角、拍摄环境、外观、遮挡等因素的负面影响。这些因素大多对步态识别构成挑战，使目前的步态识别方法不能达到实际应用的要求。因此，构建鲁棒的特征表达和高效的判别算法成为提高步态识别性能的重要解决方案。本文的研究内容有以下几个方面：（1）研究了步态轮廓的检测与提取技术。首先介绍了基于背景减除的人体检测方法；然后把增量学习的鲁棒视觉跟踪算法应用到步态识别的人体跟踪上，此方法通过结合在线增量学习的主成分分析（PCA）算法和粒子滤波，能够快速有效地提取出步态图像序列中的人体区域；最后用高斯混合模型（GMM）与期望最大化（EM）算法来提取出精确的步态轮廓。（2）针对步态图像序列的周期性、远距离和失真等特点，首先研究了两种步态周期检测方法：基于步态轮廓二值图像和基于步态外轮廓的周期检测法。然后研究和提出了三种有效的步态特征表达：详细地描述了包含序列空间信息和一定时间信息的步态能量图像（GEI）；提出了更好保留序列时间信息的多通道步态能量图像（Mutichannel GEI）；最后提出了基于Mutichannel GEI的三种Gabor特征表达方法，此方法利用Gabor函数多方向和多尺度的特点，能最大限度地描述步态的局部信息和全局信息。（3）解决了步态识别中的高维特征和小样本问题。首先简单介绍了经典的线性判别分析（LDA）算法；然后深入地研究了Graph Embedding算法及其通用框架和MDA（Marginal Discriminant Analysis）算法，Graph Embedding算法有效地解决了高维特征问题，MDA算法有效地克服了LDA算法在数据分布和投影方向上的局限性；最后提出了MTDA（Marginal Tensor Discriminant Analysis）算法，并且测试了其性能。实验结果表明训练样本的数目是有限时，MTDA算法性能优越，MTDA的交替投影优化程序收敛很快，基于Gabor特征的MTDA算法比以前的算法有更好的识别率。