步态特征是一种生物特征,它具有其他生物特征不具备的优势,如可远距离获取、不易伪装和非接触即可获得等。在监控场景下,由于摄像头与行人的距离较远,不仅常用的指纹和虹膜特征都无法获取,人脸特征在较远的距离提取出来也会很模糊。很多的研究者已经证明了步态识别在远距离的情况下是?分有效的身份识别方法,因此步态识别技术具有广泛的应用前景。然而在实际场景下,步态识别仍然面临着各种挑战,基于轮廓的步态特征受视角、衣着和携带物品等情况影响比较大,其原因这些情况往往导致行人步态轮廓的扭曲和变形;而基于模型的步态特征对视角、衣着和携带物品等情况下有比较好的鲁棒性,但因获取精准的人体姿态还具有一定的挑战,其识别率往往不如基于轮廓的方法。在总结和分析前人研究的基础上,本文针对步态识别中存在的一系列问题,视角变化下准确率极大的降低,我们提出了一种新颖的PoseGait步态识别方法,该方法在服装和携带条件下都很鲁棒。通过加入人类先验知识的时空特征也被设计加入提高识别率。该方法在两个大型数据集CASIA B和CASIA E上进行评估。实验结果表明,所提出的方法可以实现最先进的性能,并且即使只使用简洁的CNN模型,对于观察和服装变化也是鲁棒的。为了提取不变步态特征,我们提出了一种基于生成对抗网络(GAN)的称为GaitGANv2的方法。在所提出的方法中,GAN模型被用作回归器,以在不携带包的情况下生成正常步行的侧视图。这种方法的独特优势在于,与其他方法不同,GaitGANv2在生成不变步态图像之前不需要确定视角。实际上只需要一个模型来解释所有可能的变化源,例如带有或不带有背包和不同角度的视角。然而本文所提出方法最重要的挑战是解决在生成不变步态图像时如何保留有用的身份信息。GaitGANv2代表了对GaitGANv1的改进,采用多丢失策略来优化网络以增加类间距离并减少类内距离。实验结果表明,GaitGANv2可以达到非常好的性能。为了进一步提高步态识别在遮挡情况下的表现,并且更加有效的提取动态时序特征,本文提出利用帧与帧之间的相关性来提升步态识别算法。本文这种方法的创新之处在于不同于其他方法目前采用的时序特征提取的方式,利用输入序列的帧之间的相关性来做为时序特征,并且同样利用帧之间的相关性我们可以减少遮挡的影响。为了验证方法的有效性,我们同样在CASIA B步态数据集和OU-ISIR日本大阪数据集做了测试,与其他步态方法的实验结果对比表明,此方法可以有效地提高步态识别在视角情况下的准确度。