步态是一种流行的生物识别技术,可以远距离识别人类。它应该是唯一可以在远距离收集的生物特征。由于其独特的优势和在视频监控中的巨大潜力,在过去的20年中,许多研究人员对其进行了研究。尤其是近几年来,随着深度学习的发展,步态识别有了很大的提高。如今指纹、人脸识别的技术愈发成熟,但是步态识别技术的应用还面临许多挑战,比如摄像头视角变化、衣着变化等对识别的影响,所以我选择步态识别这个课题,希望能为解决步态识别中的难题提供一些思路。因为步态是一种行为特征,并且在时域中包含对象的一些独特运动模式,所以在步态识别中同时使用空间信息和时序信息更加合理。本文对步态视频序列进行研究,提取时序上的特征,最大化对时序信息的利用。首先,设计了多尺度时间网络（MSTN）来提取序列中的时序信息。多尺度时间网络（MSTN）受到快慢网络（Slow Fast Network）的启发。多尺度时间网络不仅保留了帧的完整性,而且增强了动态信息,可以有效地利用视频序列中的时序信息。在多尺度时间网络（MSTN）中,以不同的时间尺度来构建时间金字塔,并最终整合每个时间尺度的信息。高帧率可保留所有帧的空间信息,而低帧率可增强帧之间的动态变化,通过提取每个尺度的特征来获得多个尺度的时序信息。为了验证算法的有效性,在CASIA-B步态数据集上进行了实验,得到了较高的准确率。其次,通过时间-空间图注意力网络（STGAN）从视频序列中提取空间和时序特征。时间-空间图注意力网络（STGAN）引入了基于图的时序特征结构。在空间域,选择出一些具有识别力的区域,并增强它的权重,这样可以使网络专注于这些区域。在时间域,构造时空图（STG）,来描述不同帧之间的关系,和区域之间的变化关系。该方法可以在空间和时间域上有效地提取步态特征,并且可以对模型进行端到端的训练。通过对比实验,并在CASIA B步态数据集和OU-ISIR跑步机数据集上都进行了验证,实验结果证明所设计的网络是有效的。本文提出的方法引入了两种思想来提取步态序列中的时序信息:不同时间尺度的时序信息融合,和构建图结构描述时序信息,也通过实验证明了他们在提取时序信息方面是有效的,时序信息能有效地提高步态识别的准确率。