在计算机视觉和智能视频监控领域中，步态识别是生物特征识别技术中一个新兴的研究领域，它是一种根据人的走路方式来识别身份的方法。相对于其他生物特征识别技术（如指纹、虹膜、人脸等），步态识别的优势在于它的非接触性、非侵犯性、易于采集、及远距离感知等特点。基于这些特点，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。一个完整的步态识别系统主要由三大部分组成：运动目标检测、步态特征提取和分类识别过程。本文对当前步态识别在国内外的研究状况和处理方法做了广泛的学习和研究，并分别就以上提到的三个关键部分做了较为深入的讨论。　　 本文介绍了一些步态识别技术，总结并分析学者们在步态识别领域的研究方法以及其贡献和优势所在，并简明阐述了步态识别技术广泛使用的相关理论和方法，以及其研究现状和发展趋势。在运动目标检测部分，本文采用一种基于色度坐标的高斯混合模型来提高低对比像素点的检测率，保证提取步态目标的准确性进而保证视角检测的准确性。然后，检测到的目标序列根据图形学的成像几何原理计算得到步态序列在三维空间的视角，由此检测到的视角可用于选择最优的分类识别方法，以充分发挥每种分类器的优点。在步态特征提取部分，本文提出以角度分量特征作为步态特征的方法，首先计算每一帧在各个角度间隔内的像素点到质心的距离的平均值，并把该平均值分解为水平和垂直两个分量作为当前帧的角度分量特征，再计算第一帧到当前帧的角度分量特征的平均值作为最终的步态特征。由于该方法考虑到水平和垂直两个方面对识别的影响，因此相对角度特征具有更好的分类能力，尤其提高了在非侧面视角下的识别率。在步态识别过程中，采用基于视角的多分类器融合的识别方法，根据视角检测过程得到的视角选择在该视角下最优的分类器进行步态识别。本文融合使用线性时间归一化（LTN）匹配法和常用的k近邻法（KNN）进行步态识别，两种方法优势互补，既发挥了KNN方法在各个视角识别的相对稳定性，又发挥了LTN方法在侧面视角下识别率比较高的优势，最终实现在每个视角都能够选择最优的识别方法从而达到最好的识别效果。