步态作为人体明显的个人特征,其识别技术具有远距离、无接触、唯一性好的优点,是最有潜力的生物特征身份识别技术之一,在刑侦破案、监控安防、智能家居、医疗健康等领域具有巨大的应用空间。但由于现有的步态识别方法受复杂背景、身体外部穿戴,以及行走角度变化的影响,与人脸、虹膜等应用相对成熟的生物特征技术相比,步态识别技术的性能还有差距,实现应用难度较大。步态能量图作为步态识别有效的重要技术手段,是步态识别的主要研究方法之一,其计算简单、计算量小、计算效率高,至今被广泛应用在步态识别领域中。但步态能量图方法也有不足之处,如步态识别性能与步态周期检测直接相关,现有步态周期检测方法无法在所有视角下精确检测出步态周期,单一的步态能量图只关注步态的静态特征,缺少动态特征。针对这些关键技术问题,本文以深度学习为主要技术手段,对基于步态能量图的步态识别方法进行了深入研究,完成的研究工作如下:第一,针对现有步态周期检测方法在跨视角情况下识别准确度不高的问题,提出基于分类和回归拟合的卷积神经网络步态周期检测方法,这2种方法不再直接利用条件受限制的步态几何特征信息,而是将步态的位置定义为类别值和正弦函数值,通过训练好的经典和改进的卷积神经网络模型,将步态周期检测转换为分类问题或回归拟合问题,最终实现步态周期检测。实验结果表明无论是基于分类的步态周期检测方法还是基于回归拟合的步态周期检测方法,在跨视角情况下都取得了比现有基于几何特征的方法更好的识别结果。第二,由于实际场景中不同摄像机的帧率不一,捕获行人的步态时起点和终点位置的动态姿态不能够完全一致,无法精确获取步态周期。因此提出了一种无需步态周期检测预处理的非周期步态能量图构造方法,通过步态运动特性分析和与传统步态能量图的图像实验对比,研究分析了固定帧数或固定时长的选取,结果表明当固定帧数取值大于45时,非周期的步态能量图能够表征包含一个周期的步态特征信息,取得了与传统的步态能量图近似的识别效果,验证了非周期步态能量图的有效性。第三,针对现有的单种步态能量图方法大都只能表征步态的一种或两种特征对步态识别不利的问题,提出一种多模板彩色步态能量图构建框架和方法,将3种步态能量图GEI、AEI和GEnI进行融合形成多模板彩色步态能量图,实验结果表明多模板彩色步态能量图具有更全面的步态特征表征能力。为解决穿衣、背包等行人局部特征变化导致识别率下降的问题,根据行人不同身体部位的不同步态特征特点,将多模板彩色步态能量图分成3个区域（头部、躯干和腿部区域）,通过设计的三路卷积神经网络分别提取步态特征,最后将特征融合用于步态识别。实验结果表明所提方法在保留步态整体轮廓信息的同时,增强了可区分性更强的步态局部特征,对携带包物、穿大衣等不利因素具有较好的鲁棒性。第四,大多数步态识别方法是提取单张步态图像的空间特征为主,容易忽略步态序列本身的时间运动信息,另外传统的步态能量图和非周期的步态能量图都需要足够帧数的步态序列,没有考虑真实场景帧数不够,以及行走过程角度突然发生变化的情况。为此提出了一种基于深度神经网络和注意力机制的序列步态能量图方法,固定间隔步长和步态帧数,通过多模板彩色步态能量图框架得到序列步态能量图,设计改进的卷积神经网络模型提取出序列步态能量图的高维空间特征,将步态高维空间特征输入通道和空间混合注意力机制模型中,增强局部和通道的步态高维空间特征,再通过LSTM方法提取序列步态能量图的时间运动特征,利用时间注意力机制模块强化有用的时间特征,最后用于步态的识别。实验结果表明所提方法具有较好的步态时空特征表征能力,在一定程度上提升了步态识别的性能。