近年来,随着信息科学技术的不断发展,生物识别技术的应用也越来越广泛。其中,步态识别由于其具有非受控识别、远距离识别以及难以伪装和发现等特性,已经成为了学术界研究的热点领域。然而,步态识别也面临着很多的问题,由于人在三维空间中行走,服装变化,以及走路时与摄像机视角的变化都会对人走路的外表造成很大的影响,造成识别准确率下降。在此背景下,本文从度量学习的角度出发,提出一种结合基于分类损失和基于距离损失的全新损失函数,利用该损失函数能够提取到更加具有区分性的特征。在此基础上,本文设计并提出了两种注意力机制的施加方式,并成功将所提方法应用到实际场景下。本文的主要内容如下:1)从度量学习的角度出发,我们提出了一种全新的损失函数,该损失函数既能够利用到三元组损失直接优化度量学习任务的目标,使得同类样本之间的距离小于不同类样本之间的距离,提取得到有区分性的特征;又能够利用到分类的损失,提取得到有代表性的特征。为了使得网络能够顺利优化,我们提出在将特征送入分类损失的全连接层之前,增加批归一化层,将输入特征的分布调整到一个可学习的分布下。在CASIA-B数据集和TUM GAID数据集上,我们的方法相比于学术界现有方法都达到了最好的效果。2)传统的卷积神经网络具有一定的局限性,我们从人大脑的工作方式中受到启发,提出了两种注意力机制的作用方式,分别是像素级别注意力机制与帧级别注意力机制,其中,像素级别注意力机制能够关注到特征图内部对于识别有帮助的信息,而帧级别注意力机制能够关注到整段序列内有区分力的信息。CASIA-B数据集上的实验,证明了所提方法的有效性。3)我们构建了步态识别系统,将本文所提的方法成功运用在了实际生产环境中。该系统包括前端部分和后端部分,其中前端提供用户界面,并录制包含行人走路姿态的视频,后端对视频进行处理,提取特征,实现行人注册和识别的具体逻辑。相关的实验表明,本文所提方法具有有效性,并且相较于已有的步态识别方法,识别准确率有了大幅的提升。在相关应用实践中,本文所提的方法也展现出了充分的应用价值。最后,按照本文的工作路线,可以继续开展相关的研究工作。