步态作为一种动态生物特征,能够在人不配合并且距离相对较远的情况下被识别,因此步态识别得到了大量研究者的广泛关注。但是步态识别受目标行走速度,穿戴情况,摄像头的角度和光照情况等因素的影响。其中穿戴情况的变换是其中最大的挑战之一。深度学习方法能自动学习步态的更高层次的特征表达,且其方法也更简单计算量更小。但深度学习方法使用单一身份信息,提取到的特征信息比较单一,同时存在视野域以及网络结构自身的问题,提取到的特征表达能力不够强,因此用深度学习解决步态识别问题仍有提升空间。为了解决步态识别中衣服变换问题,提出用深度学习方法解决步态识别中的衣服变换问题,并针对深度学习方法中特征表达力不够强、特征单一的问题,提出以下几点改进:(1)针对深度特征区分度不够大的问题,提出使用注意力机制加强深度学习方法中提取到的特征的区分度和显著性。同时提出使用验证损失函数,对学习到的特征值进行约束,加大特征之间的区分性,使得相同类别之间的特征值距离变得更小,不同损失之间的距离变得更大。(2)提出了将四肢的运动轨迹特征作为深度学习方法的先验知识,完成局部特征和全局特征的融合。(3)提出用潜在语义分析提取步态的潜在语义特征,增强深度特征的表达能力,弥补步态识别中单一标签的不足,进一步加强特征的鲁棒性和区分度。(4)基于上述几点不同加强特征区分度以及鲁棒性的方法,提出一个端到端同时结合多种特征和多种加强特征的机制的联合方法。这种方法能够实现不同特征之间的优势互补,从而进一步提高步态识别精确度。通过在数据集CASIA dataset B和OU-ISIR Treadmill dataset B上与多种先进的方法对比,联合算法最终能在两个数据集上分别达到92%以及90%的精确度,并且此方法比局部特征以及潜在语义属性的方法更具有竞争力。