التعرف على المشية هو تقنية حيوية تحدد الأفراد بناءً على أساليب مشيتهم الفريدة، وهي مناسبة للبيئات غير المقيدة ولديها نطاق واسع من التطبيقات. بينما تركز الطرق الحالية على استغلال التمثيلات القائمة على أجزاء الجسم، فإنها غالباً ما تتجاهل الارتباطات الهرمية بين أنماط الحركة المحلية. في هذا البحث، نقترح إطارًا لتعلم التمثيلات المكانية-الزمانية الهرمية (HSTL) لاستخراج ميزات المشية من الخشونة إلى الدقة. يبدأ إطارنا بتحليل التجميع الهرمي لاستعادة الهياكل الجسدية متعددة المستويات من الجسم بأكمله إلى التفاصيل المحلية. بعد ذلك، تم تصميم مستخرج الحركة القائم على المناطق بشكل متكيف (ARME) لتعلم ميزات الحركة المستقلة عن المنطقة. ثم يتم ترتيب العديد من ARMEs بشكل هرمي من الأعلى إلى الأسفل في الإطار المقترح HSTL، حيث يتوافق كل ARME مع مستوى تقسيم معين في الهرمية. يستخدم وحدة التجميع المكانية-الزمانية المتكيفة (ASTP) لتقاطع ميزات المشية بمستويات مختلفة من التفاصيل لأداء خرائط الميزات الهرمية. أخيراً، يتم استخدام وحدة التجميع الزماني على مستوى الإطار (FTA) لتقليل المعلومات الزائدة في سلاسل المشية من خلال التنقيص الزمني متعدد المقاييس. أظهرت التجارب الواسعة على قواعد البيانات CASIA-B، OUMVLP، GREW، و Gait3D أن طريقتنا تتفوق على أفضل التقنيات الموجودة حالياً مع الحفاظ على توازن معقول بين دقة النموذج ومعقدته.