步态识别是利用步态信息对人的身份进行识别的技术。与传统的生物特征相比,步态特征的远距离识别、非受控识别及难以伪装等优势更为明显且适应范围更广。近年来随着深度学习的发展,基于轮廓图序列的步态识别方法成为了主流。然而,基于轮廓图提取的行人步态特征容易受行人的服装变化,视角变化等外界因素的影响,从而降低步态识别的准确率。本文受人类运动的启发,将人体姿态信息引入到深度卷积网络,提出了基于深度学习的抗服装变化的步态识别方法,主要工作及创新如下:（1）提出了基于3D姿态引导的步态识别方法。利用3D姿态估计技术,建立了行人运动的3D模型,借助神经网络框架,提取行人3D姿态的步态信息。在训练时,利用3D姿态信息引导基于轮廓图的提取分支学习,提高了该分支的特征提取能力;在测试时,仅需轮廓图信息就可完成识别。在CASIA-B公开数据集上的结果表明了所提方法的有效性,3D姿态信息的引导提高了网络的学习能力,进一步丰富了步态特征,提高了模型应对服装等外界变化的鲁棒性,而且降低了3D模型应用的复杂程度,提高了实际应用的可能性。（2）提出了一种基于多模态融合的步态识别方法。首先,将2D姿态热图作为一种模态引入步态识别的网络框架中,用以提高模型的鲁棒性。实验证明,姿态是描述行人步态特征的重要信息。然而,3D姿态估计受技术限制在准确性上仍有不足之处且算法较为复杂。为了提高模型的鲁棒性,本文分别从轮廓图中提取身体外形特征和从2D姿态热图中提取人体姿态特征。实验表明,两种特征的融合使模型在抵抗服装等协变量变化上表现了较好的性能。其次,提出了一种分层的多模态特征融合方案,用以进一步提高步态特征的识别能力。本文将模态内融合和模态间融合整合进深度网络,分别用以增强单模态特征和充分融合多模态特征。模态内融合方式结合浅层结构特征和高层语义特征,提高了单模态特征的识别能力。模态间融合策略充分融合不同模态的信息,进一步丰富了行人的运动描述。多模态特征增强了步态特征识别能力,丰富了步态描述,在CASIA-B数据集上的结果表明该方法显著提高了识别率,特别是提高了模型应对服装变化的鲁棒性。