近几年来,随着以卷积神经网络为代表的深度学习技术在计算机视觉领域的不断兴起,以及其表现出的优异性能,行人重识别这一新兴的计算机视觉任务有了全新的发展。行人重识别任务可以帮助公安警方根据遍布全国的监控摄像头有效寻找丢失儿童、追踪犯罪嫌疑人,减少警方警力消耗。然而,由于行人重识别业内的主要研究均是针对现有的公开数据库展开的,各类算法的研究对象并不是遍布我国街边的监控摄像头,因而使得目前业内的主流行人重识别算法并不能有效地对监控摄像头拍摄到的视频、图片进行高效处理。本文针对基于深度学习的行人重识别方法展开研究,针对原有的方法进行了修改,使其能够更有效地对监控摄像头拍摄到的画面展开研究。本文的主要贡献如下:一、针对实际监控摄像头中人物特征均为俯视角,而学术研究所使用的公开数据集中人物特征为平视角的问题,本文在部分卷积网络和全局平均池化层产生的类激活图这两种方法的基础上做出改进,提出一种基于“感兴趣区域”的行人重识别方法。该方法对部分卷积网络方法中“水平分层”的方法提出了改进,提出了无参数空间注意层,设计了一个更加鲁棒的行人重识别模型,着重解决实际监控图像中俯视角下的行人重识别问题,实验证明该俯视角算法不仅可以有效解决俯视角问题,在平行视角的公开数据集上也有更较的识别精度。二、针对实际监控摄像头拍摄到的行人目标经常出现因为背景过于复杂,导致识别精度差的问题,本文提出了一种基于人体边缘轮廓信息的行人重识别方法,通过对行人图片、行人轮廓信息二值掩模和行人图片背景进行度量学习,使得模型能够更好地处理背景复杂等实际监控中经常出现的问题,实验证明该复杂背景算法可以有效提高背景复杂时的识别精度。