La reconnaissance de la démarche vise à identifier les modèles de marche spécifiques à chaque individu en observant les différents mouvements périodiques de chaque partie du corps. Cependant, la plupart des méthodes existantes traitent chaque partie de manière équivalente et ne prennent pas en compte la redondance des données due aux différentes fréquences d'étapes et aux taux d'échantillonnage des séquences de démarche. Dans cette étude, nous proposons un réseau de représentation du mouvement multi-granularité (GaitMM) pour l'apprentissage des séquences de démarche. Dans GaitMM, nous concevons un module d'apprentissage combiné de séquences corporelles complètes et fines (FFSL) afin d'explorer les représentations spatio-temporelles indépendantes des parties. De plus, nous utilisons une stratégie de compression par trame, appelée agrégation multi-échelle du mouvement (MSMA), pour capturer les informations discriminantes dans la séquence de démarche. Les expériences menées sur deux jeux de données publics, CASIA-B et OUMVLP, montrent que notre approche atteint des performances au niveau de l'état de l'art.Note : - "GaitMM" est traduit par "réseau de représentation du mouvement multi-granularité" (GaitMM).- "FFSL" est traduit par "module d'apprentissage combiné de séquences corporelles complètes et fines" (FFSL).- "MSMA" est traduit par "aggrégation multi-échelle du mouvement" (MSMA).