步态作为一种生物特征,在身份识别领域中占有很重要的地位。个体的步态与指纹、脸相、虹膜等相比,具有难以模仿、可远距离观察等特点,且在数据采集时不完全依赖测试者的主动配合。所以,步态识别成为近年来诸多学者的研究课题。目前阶段的步态识别主要有两种方式：基于视频图像的视觉步态识别技术发展较早,也取得了一定的研究成果,但其识别效果易受到复杂背景、天气光照变化、衣物遮挡等外界环境的干扰；基于足底压力信息的触觉步态识别在采集足底压力数据时,不需要被采集者刻意配合,采集设备也易隐藏而不被发现,具有很好的防伪装性。现有的一些算法虽然取得了较好的识别效果,但在进行特征提取时计算量大、特征参数复杂难以调节。因此本文采用一种基于卷积神经网络与足底压力信息的步态识别方法,主要工作和研究内容如下：1.在步态数据库的建立方面,分析国内外数据库的基本情况和获取方法,设计了本文数据的采集流程,并按照该流程分别采集了个体静止站立和三种不同速度行走时的步态数据。对采集到的静态数据和动态数据进行相关的预处理形成一个新的数据库。2.在特征提取方面,本文在分析传统特征提取方法的基础上,采用卷积神经网络模型的自学习优势来减少传统特征提取算法中手动选取特征的计算量。通过综合小块区域的局部特征可得到原始图像的卷积特征,并用实验验证这种卷积特征可以作为图像的显著信息来进行分类。分别用单层卷积神经网络模型和双层卷积神经网络模型得到单层卷积特征表示和双层卷积特征表示,比较这两种特征验证网络深度对识别正确率的影响。3.本文还介绍了一种事先对图像进行划分区域的方法,提取出感兴趣区域,根据每个区域对整幅图像的作用度给予每个区域权值,结合各区域权值和区域局部特征得到整幅图像的综合特征,将这一综合特征作为卷积神经网络的输入进行目标检测和分类识别,并将该模型应用于步态识别。实验验证了本文算法的有效性,在静态数据和动态数据上都取得了较高的识别正确率。