步态识别是生物特征识别技术中的一个新兴领域，旨在根据人的走路姿态进行身份鉴别，与指纹、人脸、掌纹、虹膜等传统生物特征识别相比，具有非接触、远距离、难隐藏、难伪装等优势，在视频监控领域具有广泛的应用前景和商业研究价值，近年来受到人们的普遍关注，已经成为生物特征识别领域研究的热点。　　步态识别一般包含运动目标检测、特征提取和分类识别三个部分。本文针对传统步态识别研究中基于单一特征算法识别率低，多特征融合算法又过于复杂、时间花销大的问题，进行了深入研究。　　在运动目标检测方面，针对步态实际环境随时间不断变化问题，提出一种将自适应背景建模与最大类间方差法结合起来的实时背景减除法。采用自适应背景建模法进行实时背景更新建模并采用最大类间方差法解决传统背景减除法中差分图像进行阈值分割时分割阈值难以确定的问题。最后对所获得的二值化图像进行一系列的膨胀、腐蚀、开运算和闭运算等形态学处理操作。实验结果表明，该算法能够提取出完整的人体轮廓图像，并且能够有效抑制噪声，最终达到提高步态识别率的目的。　　在步态特征提取方面，首先利用下肢肢体宽度特征对步态视频序列进行周期检测，提取某个人的任意一个周期中的四幅关键帧图像用作后期步态特征提取的图像。该算法一方面可以减少算法处理的数据量，消除冗余数据，大大降低了步态识别时间。另一方面，可以消除步态周期的非严格性以及行走速度差异对识别造成的影响。然后对关键帧图像进行图像标准化处理，消除因尺寸的差异会对后来的特征提取以及分类识别产生的影响。最后对经标准化后的关键帧图像分别提取能够反应人体运动学信息的动态下肢肢体角度特征以及能够反应人体全局特征的静态统一 Hu矩特征，并分别计算各特征的识别权重，对两个特征进行加权融合，得到最终的融合特征。　　在分类识别方面，针对本文提取的步态特征的特点，引入一种能够适用于不同类别特征融合的最近邻模糊分类器用作最终的分类器，并将计算得到的每个特征的权值附加到隶属度矩阵中，最后根据隶属度最大值进行分类决策。最后在 CASIA步态数据库上进行仿真实验。实验结果表明，本文算法在提高单一特征识别率的同时，也降低了传统融合算法的计算复杂度。