近年来,随着摄像头的数据互联网化,监控系统的应用越来越广泛。同时监控系统随着计算机视觉和人工智能技术的不断发展下,也逐渐变得智能化,收集的数据能够自动处理,以人工检查和监督的形式在逐步减少。然而在这些场景中,监控的目标和拍摄设备都存在一定的距离,监控识别到的目标往往不会主动配合,这使得部分可疑人员可以很容易地避开这些监控。由于人脸识别技术在有面部遮挡或者拍摄角度不佳等情况下,只能捕捉人脸的特性,所以往往不能发挥其有效的作用,具有很大的局限性。而步态识别与传统的静态识别技术相比,具有检测距离长、易识别、无需协作等优点,一定程度上能够预防犯罪,对该局限性进行了良好的改善,对生物识别技术领域进行了完善和补充,解决了传统生物特征识别时的难题。因此,研究步态识别技术对生物识别技术领域进行完善和补充,解决传统生物特征识别时的难题,具有重要意义。针对目前深度学习在步态识别方法上的应用,本文首先使用了背景减除法对步态目标进行检测获取,再对Canny算子进行改进,将这些像素点组合成一个分割区域,从而将步态目标分割出来形成一个平滑的步态轮廓图;然后根据传统的卷积神经网络（Convolutional Neural Network,CNN）,分析及设计了二维卷积神经网络（2D CNN）和三维卷积神经网络（3D CNN）的卷积核的数量以及卷积层和池化层的相关参数,并建立了一个步态数据集进行验证两种网络的性能,针对当前网络模型的识别率不高的问题上,提出了一种基于Open Pose的CNN-LSTM多网络卷积核相结合的步态识别方法;最后,为了验证上述算法的可行性,基于Tensorflow平台进行编程,搭建了一个步态识别系统,并在场景中验证了各个算法的效果。本文使用改进的Canny边缘优化算法,提高了步态识别中图像的轮廓清晰度,同时基于所提出Open Pose的CNN-LSTM混合模型的步态识别方法,在建立的数据集中进行了相关的实验,实验结果表明,在对比传统的步态识别方法,该方法利用人体三维姿态矩阵提取的互相关特征,提高了识别准确率。