随着人类社会的不断进步,人们对公共安全的要求也越来越高,很多领域相继采用了生物特征识别技术进行认证以保障个人和公共的安全。步态识别作为一种较新的生物特征识别技术,旨在通过人们走路的姿态进行身份识别,与其它的生物识别技术相比,步态识别具有远距离性、非接触性和不易伪装的特点,为此,步态识别吸引了很多研究人员的广泛关注,并使用不同技术提出了各种类型的步态识别方法。由于步态识别是一个较年轻的研究方向,提出的一些方法仍存在一些缺陷,例如,这些方法易受到视角、服装和携带背包等变化的影响。为了更好解决步态识别存在的问题,本文基于卷积神经网络的方法对步态识别进行研究,主要工作如下:1、基于卷积受限玻尔兹曼机的步态识别研究。主要利用卷积受限波尔兹曼机并结合步态识别问题,构建了基于卷积受限玻尔兹曼机的步态识别模型,该模型通过对步态能量图进行无监督的学习,从而获得具有步态特征提取功能的神经网络;同时,针对获取的步态特征,研究了使用支持向量机、孪生支持向量机、神经网络与K-近邻方法的步态识别,并与受限玻尔兹曼机特征提取的步态特征方法、PCA方法与LDA方法进行了实验比较,结果表明卷积受限玻尔兹曼机在使用KNN分类器时能够获得较高的识别率,分类效果达到98.35%。2、基于改进损失函数的卷积神经网络的步态识别研究。通过分析研究卷积神经网络,构建了用于解决步态识别的卷积神经网络模型;同时,结合识别损失与中心损失函数,提出了一种改进的损失函数并将其用于卷积神经网络模型的优化。通过选取CASIAB数据集,实验研究了卷积神经网络模型以及改进损失函数优化下的网络参数初始化方式、激活函数和卷积核大小对识别性能的影响。实验结果表明,当采用Xavier参数初始化、ELU激活函数和大小为5×5的卷积核时,不仅可以使模型收敛速度快,而且也获得了较高的准确率。同时,实验表明改进损失函数后的模型,在三组样本上的识别率分别提高了0.46%,0.71%和0.96%,且模型的收敛速度和识别率有所提高。3、基于三维卷积神经网络的步态识别方法研究。为了充分利用步态轮廓序列的时序信息,构建了三维卷积步态识别网络模型,同时提出了一种改进的三元组损失函数。该网络通过三维卷积操作和改进的三元组损失函数,可以自动地从步态视频序列中学习有效的外观和时序特征。在CASIA-B数据集和OU-MVLP数据集上的实验,验证了提出的方法,较好的解决了视角变化、携带物品变化、穿着变化对步态识别性能的影响,并与现有的步态识别方法进行了对比分析,提出的方法在易捕捉运动信息的侧面视角上取得了较好的识别效果,进一步提高了步态识别的准确率。