近年来,我国铁路建设不断完善,铁路视频监控也正朝着自动化和智能化方向发展。铁路视频监控预警系统的主要任务之一就是及时发现监控视频中是否存在危险分子或嫌疑人员。随着我国铁路里程和客运量的日趋增长,铁路客运站愈发成为高密度人员集散地,也成为罪犯潜逃甚至恐怖分子袭击的重要场所。目前,我国铁路系统的监控预警主要基于身份验证进站以及监控视像人工盯防,存在着较大的局限性。而步态识别因具有远距离、隐蔽性识别和目标难伪装性的独特优势,受到了广泛的重视。随着深度学习技术的出现以及在图像处理领域成熟的应用,步态识别的研究也有了新的突破。基于监控视像的步态识别及预警对于及时发现嫌疑目标具有着重要的意义。本文以深度学习技术为基础,利用VGG16深度神经网络进行了步态识别方法的研究,并完成监控预警实验平台的设计与开发。主要研究内容和相关优化汇总如下:首先,进行步态图像预处理和步态周期的检测。通过对当前主流的前景提取算法和步态图像特点的分析,研究了基于高斯模型的背景差分法,实现了步态前景图像的有效提取。并对提取到的图像进行形态学处理和人影消除操作,提高了步态前景图像的质量。在得到步态前景图像后,利用人体轮廓高宽度信息完成步态周期的检测工作,避免了大量复杂算法的调用、提高了步态前景图像的利用率。然后,针对步态特征提取与分类识别问题,重点研究了基于VGG16深度神经网络的步态特征提取、步态候选区域生成以及步态特征的分类与识别。并对其中卷积子网络的激活函数和RPN子网络中锚的生成、非极大值抑制的使用方案进行了优化和调整,使得特征提取和分类的效率更高、效果更好。接下来,依据步态识别方法的实现流程,完成了步态识别预警实验平台的设计。并利用现有的设备搭建了步态识别平台,完成相关环境和软、硬件的配置。此外,为便于集成步态识别各部分的功能,提高操作的交互性和可视化效果,进行了步态识别预警实验平台交互界面的设计与开发。最后,以CASIADatasetB数据库中的部分步态视频和实际拍摄的步态视频为样本,进行步态模型的训练与结果分析。并选用具有代表性的测试样本,对步态识别预警实验平台和步态识别方法进行实验,进一步验证了步态识别预警实验平台在一定条件下的稳定性以及步态识别方法的准确性和可行性。