步态识别是近年来计算机视觉和生物特征识别领域的一个备受关注的研究方向，它旨在根据人们走路的姿势进行身份识别。与其它生物特征识别技术相比，步态识别的优势在于非接触性、非侵犯性、易于感知、难于隐藏、难于伪装。基于上述特点，步态识别在门禁系统、安全监控、人机交互、医疗诊断等领域具有广泛的应用前景和经济价值，因此激发了国内外广大科研工作者的研究热情。 步态识别主要由四部分构成：步态图像预处理、周期检测、特征提取和步态识别。特征提取是步态识别的关键因素，因此也是本文的研究重点。本文对步态识别进行了深入的研究，主要开展了以下几方面的研究工作： 介绍了步态识别的研究现状，并结合国内外文献对步态识别的影响因素、性能预测进行了比较全面的阐述，随后对步态识别的四个组成部分进行了提纲挈领的概述。 分析了常用的运动检测算法，并根据具体情况采用了背景减除的算法实现运动人体的检测，运用形态学操作和图像几何变换实现了图像的标准化和中心化，提出了一种全新的周期检测算法用于实现周期分割，并根据周期序列图像生成了用于描述步态特征的步态能量图像。 研究了国内外步态识别所采用的特征提取方法，主要分为两类：基于模型的方法和非模型的方法。基于模型的方法需要建立人体结构模型或者是人体运动模型，然后获取特征；非模型的方法无需建立这些模型，而是根据位置、速度、形状等特征信息在周期序列之间建立对应关系。分析了线性判别分析(LDA)常常遇到的问题，即因小样本导致样本类内离散度矩阵通常是奇异的，并采用了改进的LDA算法在特征零空间上寻求最优解，实现步态的低维特征提取。 根据提取的低维特征，基于KNN分类器和欧式距离度量进行测试样本与样本库中样本的匹配，实现基于步态的身份识别。在中科院自动化提供的步态库上，样本库中个体数为124人，侧面视角下的识别率为98.7％。 在本文研究的基础上，提出今后进一步研究工作的展望和设想：多角度步态特征融合、三维建模与多摄像机的使用、数据融合和基于复杂背景下大规模步态数据库的性能评估。