行人再识别是计算机视觉领域的一个重要研究分支,其技术被广泛应用于城市交通管理、公共安防、刑事侦查等需要智能视频监控的领域。行人再识别的主要任务是解决视角不重叠的监控摄像头视野下同一行人的匹配问题。近年来,计算机视觉领域的不断发展以及智能监控摄像头的广泛部署,行人再识别技术日渐成为国内外学者的重点研究问题。本文总结了行人再识别的国内外研究现状,并基于目前研究面临的主要挑战,提出了融合神经网络中间层特征的行人再识别特征提取方法和行人属性与身份信息相结合的行人再识别网络。所做的主要工作有:1)针对不同摄像机视角下行人图像背景变化问题,本文提出一种基于PSPNet和核函数加权的背景抑制算法。通过图像语义分割网络PSPNet对行人图像进行初步的过滤,并通过核函数的方式对行人图像水平方向进行加权,用于补偿行人因走动造成的水平方向像素不稳定的情况。2)研究基于深度神经网络的行人再识别方法以及神经网络的中间层midlevel信息与高层语义特征的多细粒度特征融合。通过对比实验验证的方式,得出在行人再识别任务中性能表现最好的网络模型Res Net,并以此网络为基础网络,提出一种网络中间层mid-level信息和高层的高级语义信息相结合的融合行人特征描述。3)研究基于行人属性匹配度加强的行人再识别算法,实现行人身份特征与行人属性特征的融合。以模型性能比较优良的行人身份属性多任务学习网络APR为基础,研究通过构建行人属性匹配度模型,用以实现对原始特征距离排名的重新排序,以提升行人再识别网络的识别准确率。并结合原始APR网络中将行人属性特征与身份信息特征拼接的操作,从多个尺度上使用行人的属性特征来优化原始的行人特征距离排名。为了验证本文方法的有效性,在三个独立的行人再识别公共数据集VIPe R、Market1501和Duke MTMC-re ID上进行实验验证。实验结果显示,相较于目前主要的行人再识别算法,本文提出的算法在三个公开数据集上性能表现优良,在识别率上体现出一定的准确率优势。