随着智慧城市的发展和公共安全需求的不断提高,摄像头安装数量的日益增多,智能视频分析技术的应用领域不断扩大,技术要求也不断提高。智能视频分析技术中一项重要的技术就是行人再识别。行人再识别问题是指给定一个行人的一张或者多张行人照片,然后判断该行人在其它视域中是否再次出现,是一种跨视域检索任务。由于监控视频分辨率低、行人姿态多样性、行人遮挡以及复杂的监控环境等因素,该技术目前无法达到商业应用标准。本文基于深度学习方法,对行人再识别任务展开了研究,主要工作总结如下:1.针对表征学习只注重学习鲁棒的行人特征而度量学习只注重行人间相似度处理,本文将两种方法融合,设计并实现了联合分类损失和度量损失的全局特征再识别模型。和分类网络相比,rank-1和mAP在Market1501分别提升1%和1.1%、在 DukeMTMC-reID 分别提升 1.4%和 1.2%、在 CUHK03 分别提升 1.7%和 1.6%。2.为了探讨用全局特征与局部特征进行再识别的准确率问题,本文在全局特征模型的基础上提出了一种新的获取局部特征的方法。具体方法是对卷积神经网络最后一层卷积层所输出的张量特征图上的所有列向量进行主成分分析,并将主成分作为行人特征,提出最小距离法对行人间进行相似度度量。主成分特征的数量由实验测定,多个数据集上实验结果表明主成分分析得到的列向量是一种有效的行人特征描述,局部特征再识别方法在准确率上高于全局特征再识别方法。3.针对表征学习与度量学习结合的全局特征再识别模型准确率仍然较低的问题,本文在Part-based Convolutional Baseline上做出修改并添加三元组损失约束,联合两种损失监督局部特征的学习。针对本文的行人检索方法中同类样本漏检、异类样本误检现象,本文又提出局部特征重加权对融合算法改进,再次优化了样本间的距离。融合改进后的算法最终在Market1501、DukeMTMC-reID、CUHK03相比复现 PCB,rank-1 和 mAP 分别提升了 1.3%和 3%、2.0%和 2.9%、2.5%和 2.6%。