近些年来,随着生物识别技术的迅速发展,一种新的生物特征——步态特征逐渐成为模式识别领域的一个研究前沿。传统的步态识别方法是基于视频流数据,通过摄像头采集人行走的姿态。这种步态识别研究时间较长,成果也颇丰,但是不足之处在于易受背景环境和衣物遮挡的影响。近些年来兴起的基于足底压力数据的步态识别克服了传统方法的不足,可应用在多种场合。本文结合力学、生物学与模式识别理论,将相关算法应用到基于足底压力的步态数据分类识别中,构建相应的特征空间,并通过真实数据实验验证足底压力特征的识别效果,主要工作及研究成果如下：1.总结分析当前步态识别研究现状。步态识别主要分为两种：基于视频流数据和基于足底压力数据的步态识别。本文依次介绍这两种步态识别的主要研究内容,以及国内外大部分文献对这两种步态识别的研究方法和重要应用。2.介绍了足底压力数据的采集过程。首先介绍了几种常见的采集设备以及各自的优缺点,接着对本文采集设备以及数据处理软件作了详细说明,最后利用设备采集20人的静态足底压力数据作为本文研究所用的数据。3.提出了一种基于Hu矩和支持向量机(Support Vector Machine, SVM)的步态识别方法。该方法首先提取足底压力图像的Hu矩特征,构造了一个7维的足底压力特征矩阵用以描绘图像的轮廓以及细节信息,针对Hu矩特征里不同维之间数值的数量级差异较大,本文对Hu矩特征进行归一化,最后在已建立的数据库上利用SVM验证其分类特性。4.提出了一种基于低维足底压力特征的步态聚类算法。针对当前的方法大多是基于足底压力和形状特征,本文将这些经典特征综合,构成特征向量,并利用非负矩阵分解方法(Non-negative Matrix Factorization, NMF)消除这些特征之间的信息冗余,结合模糊c-均值算法(Fuzzy c-means Algorithm, FCM)对低维特征分类识别,最后与传统算法里的特征进行对比实验,验证本算法的有效性。