步态识别，指通过行人的走路姿态来判断其身份信息，是支持远距离识别、不易伪造、不需受试者合作的生物特征识别技术。近年来，步态识别发展迅速、极具潜力，在嫌疑人追踪、智能城市中有广泛应用。然而，存在其中的大量的数据噪声和标签噪声导致步态识别精度存在瓶颈、已有算法不够鲁棒，影响了步态识别的进一步应用。从而，缓解步态识别算法受噪声的影响、提出噪声鲁棒的步态识别算法是具有科研和实际应用价值的方向。本文针对现有算法的不足，从解决有噪声步态识别中的关键的现象出发，分别在损失函数设计层面、算法设计层面和理论层面，层层递进、由浅入深地缓解步态识别中的噪声问题。本文内容概括如下，
• 为了解决步态识别中的类间分布的离群点多、不均匀的问题，本文分析了损失函数的性质并引入了新的损失函数，新的损失函数增加了挖掘困难样本的能力，与之前损失函数比较，特征的类间分布的均匀性更好、邻域鲁棒性提升，且改善了原有的固定边界的问题，提升了步态问题中损失函数的性能。
• 为了解决双网络模型在有噪步态识别中的坍缩现象，即两个网络会越来越像以至于整体的性能坍缩到一个网络的性能，本文提出了循环抗噪声算法。该算法能够从数学上保证两个网络的差异性，从而缓解坍缩现象。另外，该算法通过增加两个网络的差异来提升对噪声的鲁棒性，并加入了额外的噪声处理模块，其在多种步态识别的噪声条件下表现优异。
• 为了解决有噪声步态识别中由有噪声标签带来的有偏的相关关系，本文对有噪声步态识别问题使用因果图建模，这是在有噪声图像识别问题中，首次使用因果干预的方法来建模和处理。随后，本文从因果关系的角度分析有偏的相关性出现的原因，并给出基于因果调整的解决方法。最后，本文将基于因果的方法利用深度神经网络实现，并在多个数据集上验证方法的有效性。

总体而言，本文的三个方法层层递进，首先从损失函数设计的层面，通过改变训练的约束条件来改善不理想的特征分布。随后，本文在算法层面，不仅设计损失函数，并且通过设计两个网络相互学习的算法和迭代过程，进一步提升了有噪步态识别对噪声的鲁棒性。更进一步，在第三个方法中，本文深入挖掘了有噪声步态识别背后的机理，从因果关系而非统计关系的角度重新建模有噪声问题，从而在理论层面提出了新的方法和相应的基于深度神经网络的实现。在本文提出的三个方法中，本文都着重解决了有噪声步态识别中出现的关键现象，包括特征的类间分布、网络的相似性和有偏的相关关系，这些现象是之前工作所常常忽略、但对于有噪声步态识别至关重要的。本文通过提出新颖的方法、从多个层面缓解了有噪声步态识别任务中，识别精度容易受到噪声影响而下降的情况。