本文提出了一种基于码分调制层（CDML）的方法，用于解决持续学习在步态识别系统中面临的灾难性遗忘和隐私推理攻击问题。持续学习允许模型逐步吸收新任务的知识，而无需重新训练整个模型，在生物识别领域具有降低计算成本的潜力。然而，传统持续学习方法在小批量数据上逐步微调模型时，容易导致旧任务准确率下降（灾难性遗忘），且模型可能泄露敏感信息（如成员推理攻击）。作者将步态识别系统视为多任务持续学习场景，每个任务对应不同个体的步态模式。核心创新是引入CDML，这是一种在模型特征层中添加可学习调制向量的技术，类似于扩频通信中的码分多址概念。每个任务分配一个独立的调制码，在训练时仅更新该码和分类器，而共享特征提取器保持不变，从而缓解遗忘。同时，由于调制层的随机性，攻击者难以从模型输出中推断特定个体是否在训练集中，有效抵御成员推理攻击。实验基于公开步态数据集（如CASIA-B），与EWC、LwF等基线方法对比，结果表明CDML在保持所有任务平均准确率的同时，将成员推理攻击的成功率降至接近随机水平。此外，该方法无需存储旧样本回放，进一步降低了数据重传的开销。论文的贡献在于：1）首次将CDML应用于步态持续学习；2）同时解决准确率与隐私问题；3）实验验证了方法的有效性。适合从事生物识别、持续学习或隐私保护的研究人员阅读。