步态识别是生物特征识别的一个关键组成部分,因其具有唯一性、非接触性、远距离等特点,在公共安全智能监控、刑事侦查、身份验证等领域得到广泛应用。它通过分析行人行走时呈现出的步态轮廓,从中提取合理的步态特征,构建有效的分类识别模型,从而实现对行人的身份鉴别。但在实际应用中,受场景视角、行人背包和服饰等因素的影响,学习模型不易提取有效的步态特征,训练样本少、样本不均衡以及深度学习网络模型选择的不恰当等也易导致过拟合现象发生,步态识别的准确率往往难以令人满意。论文以提高步态识别的准确率为研究目标,聚焦深度学习模型超参数优化方法和避免过拟合策略,开展了基于残差块的卷积神经网络的步态识别方法和基于注意力机制的孪生神经网络的步态识别方法研究,并开发了步态识别应用系统。主要内容包括:（1）基于残差块的卷积神经网络的步态识别方法研究。分析了卷积神经网络不同的参数初始化方法、激活函数对网络模型的收敛速度和识别率的影响。为避免因网络较深而引起的过拟合现象,利用残差块具有把上卷积层输出的步态特征“跳跃连接”到后续卷积层进行特征融合的特性,采用在传统卷积网络中融合残差块的模型优化策略,提出了一种基于残差块的卷积神经网络步态识别方法。实验结果表明,在CASIA-B数据集上,选择Xavier作为参数初始化方法、Re LU作为激活函数,改进基于残差块的卷积神经网络的步态识别方法收敛速度块,且识别准确率有一定提升;（2）基于注意力机制的孪生神经网络的步态识别方法研究。深度学习在训练过程中需要大量样本数据,但目前步态识别的数据集中每一类别的训练数据较少,且不同类别的样本数量不均衡,针对上述问题,通过引入孪生神经网络模型实现步态训练样本的增强,避免样本数据集少且不均衡的问题。同时为了更有效的利用身份标签,提出将相似性度量和标签约束双监督孪生神经网络的学习方法。采用注意力机制来提高网络的特征表达能力,进一步提高网络的学习能力。实验表明,基于注意力机制的孪生神经网络步态识别方法其准确率有明显提升;（3）基于深度学习的步态识别系统的设计与实现。采用面向对象程序设计方法,设计了步态识别系统的功能模块,以Open CV,pycharm和QT为开发环境,采用基于注意力机制的孪生神经网络的步态识别方法,开发了步态识别系统。该系统能自动采集行人视频,并对采集的视频进行行人目标检测得到步态图像并对图像进行预处理,然后将步态图像转换为步态能量图,以样本对的形式输入网络中进行步态特征提取,最后再进行步态识别,基于深度学习的步态识别系统具有较好的人机交互界面。