步态识别作为一种新的生物特征识别技术，通过对人行走姿势的分析实现对个人身份的识别和认证。相比其他生物识别方法其突出特点是可远距离识别，这也使得步态识别在身份识别，视觉监控，安全防务等领域有着广阔的应用前景。 隐Markov模型(Hide Markov Model, HMM)是一种基于随机过程的模型，有着坚实的数学基础，对预测、模拟随机时序数据性能良好。利用HMM可以对人体行走过程中从一个姿势到另一个姿势进行动态的描述，获得较好的识别效果。本文步态识别的研究内容由3个部分组成：图像序列预处理，特征提取，HMM建模。 图像序列预处理包括图像采集、运动检测和图像形态学处理，本文采用一种改进的背景减除方法分离出人体运动的图像，并且通过形态学处理改善前景运动图像质量。 在特征提取时采用以区域代替边缘的新颖方法，具有较小的计算代价和较强的抗噪声干扰能力，并且通过K-均值算法获得一个步态周期中的5个状态，求每帧和状态的欧氏距离，进一步压缩观测向量维数，获得等价的低维度特征向量。 在识别阶段，采用高斯混合输出的连续型HMM，利用K-均值类聚法建立初始高斯混合模型，然后利用Baum Welch算法对初始HMM模型不断训练求精。采用这种方法对每一个人通过训练建立其行走姿态HMM。识别处理时，以待识别步态序列相对于各个已训练模型的输出概率作为识别依据。 本文采用的步态识别原理方法在详细分析步态的结构特点和运动特征基础上建立识别模型，HMM的统计特性决定其在步态的描述和识别中具有很好的稳健性。作者开发的原型系统在中国科学院自动化研究所提供的CASIA步态数据库上进行了步态身份识别实验，实验结束表明：采用此方法对于小数据库侧面视角下的识别有着较高的识别率。