步态是一种具有安全性、保密性、唯一性的行为特征,可以通过无接触获取。根据步态特征的特点,步态特征适用于监控场景的身份鉴别。然而步态识别的准确率易受外部因素的影响,例如:行走速度、光线、监控角度、遮挡等。为了提高步态识别算法在外界因素影响下的鲁棒性,本文的主要工作如下:（1）为了充分利用步态中的时空信息,本文提出采用双流卷积网络结构实现步态识别算法。双流卷积网络由空间流和时间流两部分组成。空间流和时间流提取的特征,通过权重α实现有效融合。同时,为了实现更好的分类,本文以结合Triplet Loss、Center Loss以及ID Loss的组合损失函数对网络进行训练。实验结果表明,本文提出的方法在CASIA-B数据库中取得了当前最高的识别率,在NM-NM、NM-BG、NM-CL三种不同识别场景下,获得的平均Rank-1准确率分别为:96.63%、92.2%、75.02%。（2）在空间流部分,本文在二维卷积网络基础上引入紧密连接结构实现GDN。紧密连接结构允许网络采用较窄的输出通道数,有效减小网络的参数量。同时,可以最大程度地利用各层网络提取的特征,提升各层网络间信息的流动性。为了更有效地保留步态帧图像中的步态信息,空间流以Gait Set作为输入。相比GEI、GFI,以Gait Set为输入在NM-NM、NM-BG、NM-CL三种情况下分别提升10.6%、20.0%、20.7%。（3）在时间流部分,为了有效提取连续步态帧图像中的时序信息,本文通过残差结构,在二维卷积网络中插入M3D结构。相比3D卷积层,M3D将卷积核解耦为空间维度和时间维度两部分,并在时间维度设置3个不同尺寸的卷积核,有效获取长时间、短时间特征的同时,减少时间流网络的参数量。综上所述,为了提高步态识别在跨视角、遮挡等外界因素影响下的鲁棒性,本文提出采用双流卷积网络结构实现步态特征中时空信息的提取。实验证明,我们提出的双流卷积网络,能有效地提取步态图像中的时空信息,对跨视角、遮挡等外界因素影响更具有鲁棒性。