随着大数据和人工智能时代的到来,身份识别和验证需求日益增加,生物身份识别的研究得到了广泛关注。步态是指人体步行时的行走方式,由于个体的生物差异性,不同个体有着独特的步态特点,因此步态可以用于身份识别。步态识别作为生物身份识别的一种,与虹膜、面部、指纹或其他的生物识别有很大不同,这主要表现在步态识别可以通过非侵入式的方式来采集步态数据。惯性传感器价格低廉、体积较小、容易携带,因此利用惯性传感器采集步态信息,进而进行步态识别是目前步态识别领域的一个重要研究方向。深度神经网络由于其强大的非线性建模能力和特征提取能力,近年来在很多领域得到广泛应用并取得非常好的性能提升。深度学习模型在步态识别领域的应用同样也取得了很大的进展。深度学习模型,特别是基于卷积神经网络(Convolutional Neural Network:CNN)的网络模型,主要是利用监督学习的方式来自动提取特征,由于采用了不同于浅层网络的模型结构,所提取的特征一般具有优异的分类性能。本文主要工作是利用加速度以及角速度数据来进行基于深度神经网络的步态识别研究。本文共提出两个深度框架网络:第一个网络利用卷积神经网络来提取加速度和角速度信号中的步态特征,并利用注意力机制对步态特征进行加强,最后再分类;另一个网络首先利用上下文编码层(Context Encoding Layer:CEL)来提取步态信息之间的相关性且利用空间金字塔池化(Spatial Pyramid Pooling:SPP)层提取多尺度特征信息,同时利用center损失函数来增大类间距离,最后再实现分类。实验中,为了更好的提取步态特征,首先设计算法来提取步态周期,然后根据步态周期沿时间轴来切分数据,并将这些切分后的样本数据输入到深度网络中进行特征提取。不同神经网络框架下的步态识别对比试验结果表明本文所提算法在识别性能上相比于其他算法或者网络具有一定的优越性。