步态识别作为计算机视觉的一个研究热点受到了越来越多的研究人员的关注。步态识别是利用生物学特征进行远程身份识别,在许多领域有着广泛的应用,例如智能监控、运动分析、生物认证、刑事侦查、虚拟现实等。现有的人体步态识别算法总体上可分为两大类:一是基于模型的步态识别算法,二是基于非模型的步态识别算法。然而现有的一些方法在实际操作过程中仍有许多不足,不仅算法的准确率还有很大的提升空间,而且一些计算复杂度较大。本文主要研究基于深度学习的步态识别系统设计与实现,对步态识别各阶段的关键技术进行深入研究,并在一些技术上作出相应的改进和优化,从而实现一个快速有效的行人步态识别系统。首先,面对视频监控等数据存在数据量大、维度高、计算复杂度高等特点,本文采用SiamMask实时目标跟踪和半监督视频物体分割算法,实现了对人体步态轮廓进行快速有效地分割和进行实时目标检测追踪,并对算法进行相应扩展,支持视频、监控和图像三种数据输入方式,增加了系统的灵活性。然而对于提取到的步态轮廓图存在大量的噪声和数据冗余,为了降低噪声和冗余数据对步态特征提取的影响,通过形态学操作对获得的人体步态轮廓图进行相应处理,然后对图像进行标准化操作,按比例生成人体轮廓大小相同、水平居中的标准化人体步态轮廓图,为下一步识别做准备。此外,系统采用了基于卷积神经网络的步态识别方法,通过SP(Set Pooling)算法从步态图像的帧级特征中对集合特征进行提取,摆脱了数据输入时的时序问题,同时算法对行人重识别中HPP(Horizontal Pyramid Pooling)方法进行改进,提出HPM(Horizontal Pyramid Mapping)特征映射方法,有效对图像全局特征和局部特征进行提取,该算法具有准确率高、速度快等特点。然后针对算法提出了一种改进集合特征提取的算法,通过对SP获得的集合特征进行非线性特征扩张,改善了非标准状态下的步态识别提取效果,改进后的方法称之为SPBS(Set Pooling Based on Sigmoid)。并且对神经网络常见的激活函数进行分析对比,对LeakyReLU激活函数参数进行微调并引用PReLU激活函数进行对比。本文提出的改进步态特征提取方法在CASIA-B步态识别数据库上进行了验证,通过实验证明改进后的步态识别算法在一定程度上有效提高了步态识别的准确率。最后本文在对各阶段算法研究和优化的基础上,通过对相应算法的研究、优化和整合,设计并开发了一个基于深度学习的高效快速的步态识别系统。该系统在目标追踪算法和识别算法的协同作用下,实现了可对视频、图像和监控三种方式进行步态识别,从而达到对行人进行身份鉴定的效果,同时系统实现了实时目标检测跟踪。