El reconocimiento de la marcha es una técnica biométrica de larga distancia con un gran potencial para aplicaciones en la prevención del crimen, identificación forense e investigaciones criminales. Los métodos existentes de reconocimiento de la marcha suelen introducir módulos de refinamiento de características específicas en modelos designados, lo que conduce a un aumento del volumen de parámetros y complejidad computacional, mientras que carece de flexibilidad. En respuesta a este desafío, proponemos un nuevo marco llamado GaitAE. GaitAE aprende eficientemente representaciones de la marcha a partir de grandes conjuntos de datos y reconstruye secuencias de marcha a través de un mecanismo de autoencoder, mejorando así la precisión y robustez del reconocimiento. Además, introducimos una estrategia de restricción de oclusión horizontal (HOR), que introduce bloques horizontales a las secuencias de entrada originales en posiciones aleatorias durante el entrenamiento para minimizar el impacto de factores confusos en el rendimiento del reconocimiento. Los resultados experimentales demuestran que nuestro método logra una alta precisión y es efectivo cuando se aplica a técnicas existentes de reconocimiento de la marcha.