随着我国城市化步伐加快，城市人口数量增加，城市公共安全管理变得越来越重要，对智能监控网的需求也日趋普遍。在智能监控领域，身份识别是一个重要的课题。目前的研究方法一般都是通过对象的生物特征进行身份识别。如何实现远距离的身份识别是本文主要的研究工作，它包括：基于稀疏表示的步态身份识别，远距离下的人脸识别算法，基于步态和人脸视频序列的身份综合识别算法。　　首先，就步态识别而言，现阶段基于步态特征的身份识别研究中，因为衣着或是携带物变化所导致的识别率下降是一个主要问题。为了有效地处理这个问题，本文提出了一种基于信号稀疏表示的步态识别方法，该方法以最大熵算法所得的步态能量图作为步态特征，通过使用步态能量图训练集构造出的超完备字典与单位矩阵联合构成的新字典，首先对测试步态能量图进行稀疏表示，然后基于稀疏表示在单位矩阵上的分解系数以去除衣着和携带物的影响，接着使用稀疏表示在原超完备字典上分解的稀疏系数而复原测试图像。最后，结合复原测试图像的残差和稀疏分解结果的集中程度以判断出测试目标的身份。实验分析结果表明：该方法可以很大程度上提高步态识别在不同的衣着情况和携带情况下的识别率（在CASIA数据库[1]上分别为87％，79%）。　　其次，本文研究远距离下的人脸识别问题。在视频监控应用中，要对人脸进行识别，首先需要对人脸进行检测定位。现有的基于脸部细节特征的人脸检测方法无法在光照条件不佳或是人脸距离镜头过远的情况下使用。为了避免这种局限性，本文提出了一种基于人体结构的自适应人脸提取方法，实验结果表明，该方法可以在远距离、光照变化的情况下对人脸进行准确定位。在准确定位的基础上，本文继而提出一种基于稀疏表示的多尺度的人脸识别算法。该算法将测试图像分解在一个包含多个尺度信息的稀疏表示字典上，通过分析分解系数判断对象的身份。相对于现有的稀疏表示算法，该方法大大提高了拍摄距离随时间变化情形下的身份识别率，同时提高了小训练数据集下的身份识别率。在大规模的数据库上的实验结果表明，该人脸检测和识别系统能够准确获得人的身份，适用于室内远距离的视频监控系统，具备很好的实用价值。　　最后，基于步态和人脸视频序列研究身份综合识别技术。步态视频序列可以在远距离下采集获得，人脸视频序列则可以在中等距离及近距离下观察到。为了对目标进行更大范围、更准确、更鲁棒的识别，可以通过结合两者的优势提出新的身份识别算法。本文提出了一种决策层的综合身份识别算法。该方法将不同的特征看作是同一本征特征通过不同观测函数的结果，最终基于统计学的方法，使用奇异值分解从观测特征中恢复该本征信号，达到综合识别的目的。本文使用加入高斯噪声和冲击噪声的随机信号对该方法做了测试，其融合误差是现有方法中最低的，同时该方法也在基于步态和人脸视频序列的身份识别中表现出了很好的性能。