步态识别由于具有隐蔽性、非侵犯性和远距离性正受到越来越多的关注，然而，拍摄视角的改变会使步态识别的整体轮廓发生变化，而多相机拍摄系统又会增加成本与运算时间，因此跨视角步态识别成为当前步态识别研究的一大挑战。本文选取两种特征重心轨迹（GCT）和人体部分轨迹（BPJ）作为步态识别的主要特征，提出一种抗干扰能力强的步态识别方法，解决步态识别易受各类干扰因素，尤其是视角变化影响导致识别不稳定性的难题。　　为了解决视角变化引起的行人轮廓整体改变导致识别率下降的问题，我们将某视角下的步态特征视为立体空间中的真实人体行走轨迹到该视角平面的投影。首先，我们根据人体肢体参数统计和人体行走方程计算立体空间中的真实重心轨迹。然后，我们根据投影定理计算出空间曲线到平面的投影矩阵，并根据此矩阵估算一个步态序列的实际拍摄视角。计算出的拍摄视角用于不同视角之间的特征转换。为了充分利用匹配过程中训练数据的标签信息，我们为视角转换后的人体行走轨迹训练一个权重矩阵，使得高判别能力的特征点具有更高的权值，从而提高识别精度。　　本文是基于融合特征的理论研究基础，将重心轨迹的稀疏编码和人体部分轨迹融合到基于超图流形的重排序框架。本文方法的训练目标为使同一个人的不同序列具有尽可能相近的重排序分数，不同人之间具有尽可能远离的重排序分数，从而使得在识别过程中正确的行人即使改变服饰、携带物等外在条件也可以被正确识别。在模型优化过程中，使用基于超图流形的多维特征结构学习方法，提出一种具有对常见干扰因素具有较强鲁棒性的步态识别方法。　　本文在实验中研究了所提出方法在服饰、携带物、视角、行走速度影响中的作用，这四类因素为当今步态识别研究的主要类型。本文验证了融合类特征由于可同时反映步态的静态和动态特征，对不同的干扰类型具有更好的效果。并且，由于本文所用的重排序方法的时间消耗主要在训练部分，识别部分只需将权重矩阵与特征空间距离矩阵相乘，可以满足实时识别系统运算的要求。以上问题的解决，不仅能提取出常见干扰因素变化具有鲁棒性的步态特征，也为其他影响因素的干扰消除提供了一个具有较强参考价值的模型。