步态作为一种可用于远距离身份识别的特征,在复杂场景下容易受穿着、视角等影响,存在复杂背景下轮廓提取效果不佳、跨视角识别率低等问题。针对这些不足,本文提出多种基于步态能量图与轮廓序列的跨视角步态识别方法,同时提出针对复杂背景的步态轮廓提取模型,提升在复杂场景下步态识别的鲁棒性。主要研究内容包括以下三个方面:（1）基于步态能量图,提出一种结合非局部与分块特征的跨视角步态识别方法。利用非局部神经网络以及人体水平切分为静态块、微动态块和强动态块,结合步态的全局特征与分块特征,增强类间区分度。（2）为解决步态能量图时域信息的缺失,首先提出一种基于自适应隐马尔可夫模型的传统步态识别方法,通过时序建模提取时域信息。其次,提出一种基于轮廓序列的深度学习步态识别方法,利用多分支单独学习不同尺度的分块特征,同时采用基于注意力的池化减弱部分质量不佳轮廓对整体特征的影响,增强在复杂场景下步态识别的鲁棒性。（3）提出一种用于复杂背景下步态轮廓提取的轻量语义分割网络,使用残差网络ResNet-18对高级语义信息进行快速编码,利用额外分支补充空间信息的缺失。网络中加入轮廓辅助损失,提升分割精度,最终实现简易步态识别系统。通过以上研究,以及CASIA-B和OU-ISIR-LP两个大型步态数据集的实验结果证明,本文方法克服了复杂背景下步态轮廓提取的困难,提升了跨视角识别精度,增强了复杂场景下步态识别的鲁棒性。