近年来,随着新一代人工智能技术的出现,基于深度学习理论的神经网络模型被广泛地应用于生物特征识别。传统生物特征识别方法通常采用接触式或近距离、非接触式传感器采集步态序列,这难以满足自然场景中步态识别的应用需求。步态特征具有易采集、难伪装、无需配合、图像质量要求低等诸多优点。传统步态识别方法主要采用手工特征提取的方式实现身份识别,步态识别率易受步态样本采集视角变化、穿带噪声及携带物遮挡等因素的影响,步态识别的准确度低。因此,本文提出一类基于深度网络的步态识别技术,用于解决远距离行人身份识别问题。本文主要研究内容介绍如下:1.步态识别概论。该部分内容包括绪论与步态识别技术概述两个章节。第一章阐述了步态识别的产生背景与研究意义,分析了步态特征用于身份识别的理论可行性、指出了步态识别领域亟待解决的关键问题,总结了步态识别技术的研究现状与发展趋势等。随后,该部分内容总结了本文的主要内容与结构安排。第二章阐述了步态识别的系统架构与硬件部署、步态识别的系统组成以及常用的步态识别方法等。同时,该部分内容还详细介绍了目前国际常用的步态数据集等。最后,本文分别基于度量学习理论、网络组合模型与步态样本视角转换模型等提出三种步态识别方案,解决步态识别领域存在的关键问题。2.基于度量学习的步态识别。为了克服步态识别中样本特征类内距离大于类间距离的问题,该部分内容基于度量学习理论设计三种深度神经网络模型用于步态识别。其中,耦合神经网络(CDNN)采用步态样本对作为输入,使用分类损失函数与验证损失函数联合优化网络参数,采用优化后的模型用于步态识别。三联体(Triplet)网络采用三元样本组作为输入,使用三元损失函数优化网络。最后,通过在三联体网络的卷积层后增加长短期记忆单元(LSTM)的方式对其进行改造,生成递归神经网络。采用三元损失函数优化递归网络用于步态识别。实验结果表明这三种网络模型都能有效克服各种干扰因素对步态识别率的影响。3.基于模型组合的步态识别。为了有效利用步态时序特征,该部分内容提出一种时空深度神经网络(STDNN)。它由空间特征网络(SFN)与时序特征网络(TFN)两部分组成。前者基于提取步态样本的空间特征的方式进行步态识别,后者基于提取步态轮廓序列的时序特征的方式进行步态识别。最后,采用特殊的融合策略对时空特征网络的步态识别分数进行融合。采用该方法在单视角下取得的最佳步态识别分数为95.67%,与现有方法相比提高了4.25%。实验结果表明时空深度神经网络(STDNN)能有效克服步态样本采集视角变化及穿戴遮挡对步态识别率的影响。该网络通过增加步态时序特征提取的方法提高了步态识别的准确率。4.基于视角转换的步态识别。为了克服多视角步态识别中样本采集视角差异对步态识别率的影响,该部分内容提出一种栈式稀疏自编码网络(SSAE),采用该网络对测试样本的视域进行逐步转换,生成与训练样本具有相同视域的虚拟样本。采用该虚拟样本代替测试样本缓解样本采集视角差异对步态识别率的影响。该方法在多视角步态识别中取得的最高识别率为93.67%,与现有方法相比,其识别率有较大提升。实验结果表明该方法用于多视角步态识别比传统方法更具优势。最后,基于上述研究我们对全文内容进行系统总结,详细分析了本文对步态识别研究所作出的创新与贡献,总结了步态识别中存在的问题以及未来可能开展的研究内容等,这为今后的研究指明了方向。