步态识别作为一种新兴的生物识别技术，具有广泛的应用场景与巨大的应用价值。步态识别利用行人行走数据确定行人身份，然而针对目前的数据集，步态识别任务仍然面临着诸多挑战，例如摄像头视角变化，路面状况、行人穿着、行走速度等，基于手工设计的步态特征在多个变量下的识别能力受到很大的局限。而随着深度学习的提出，其强大的图像处理与以任务为导向的学习能力为步态识别研究提供了新的选择。
　　本文建立深度神经网络模型提取行人步态特征，并针对行走视频与轮廓图两种实验数据，设计了两种不同的建模方案，对应着两种步态识别方法。主要内容包括
　　1.基于关节点的步态识别。对于行人行走视频，本文首先使用关节点检测模型对视频中人物的关节点信息进行提取，然后对关节点序列数据进行建模。使用卷积神经网络来提取每一个时刻的关节点空间信息，再采用一个长短时记忆网络来提取序列的时间信息，最后得到包含时间与空间信息的步态特征。本文将该方法应用于CASIA-B数据集与TUM GAID数据集，相对于数据集上的其他相关识别方法都有更好的表现。
　　2.基于轮廓图的步态识别。对于进行背景消除后的行人行走轮廓图数据，本文采用集合网络来实现行人步态建模，并设计实验在TUM GAID数据集与CASIA-B数据集上进行验证。为了进一步提高模型的识别能力，本文提出了一种多任务步态识别模型来提高模型跨视角的识别能力，并提出单视角训练策略，保留模型的多视角识别能力并大幅提高模型在相同视角下对于不同穿着的识别能力，最后本文设计实验验证了这两种策略的有效性，其中单视角训练策略在CASIA-B数据集上达到了98.6％的识别效果，超过了现有的所有识别方法。