行人重识别(Person Re-Identification,ReID)是利用计算机视觉技术判断不同监控摄设备拍摄到的行人是否属于同一行人的技术,在智能安防、刑侦检测等领域具有良好的应用前景。近年来,以深度卷积网为代表的深度学习方法在计算机视觉领域取得了突破性成果,但深度学习往往需要大量的训练数据。迁移学习(Transfer Learning)的目的是利用已有的知识和经验来解决不同但相关领域的新任务。针对实际中只有少量用于行人重识别标签数据的情况,本文在深度卷积网基础上,研究如何运用迁移学习技术实现行人重识别。主要工作如下:1.构建了小规模行人重识别数据集。其中包含1613幅图像,5647个标注的行人框,共572个身份。该数据集采用手持摄像头通过辗转多个场景收集得到,在图像采集过程中尽可能多地包括视点、光照、分辨率、遮挡和背景的变化,以便反映实际应用场景并增加场景多样性,适用于本文对小规模数据集下行人重识别问题的研究。2.设计并实现了基于深度卷积网络微调的行人重识别。在基于改进的深度卷积网络ResNet50的基础上采用双步微调的迁移学习方法。该方法利用大规模重识别数据集对ImageNet预训练的ResNet50进行单步微调,得到预训练模型后利用小规模数据集对模型进行双步微调。最终该模型较在小规模数据集直接训练深度卷积网和单步微调的方法可以获得更高的识别准确率,在本文的数据集上Rank1和mAP分别达到83.89%、71.2%。3.设计并实现了基于深度适配网络的行人重识别。该方法采用一种基于ResNet50设计的端到端的重识别网络作为深度适配网络的基本结构,在基于预训练的深度适配网络基础上进行自适应迁移学习,通过冻结卷积层权重,微调适配层来减小目标域的分类损失以及目标域与源域数据在特征空间下的数据分布差异。最终该模型较双步微调方法进一步提升小规模数据集下行人重识别模型的迁移效果,在本文的数据集上Rank1和mAP 分别达到了 85.08%、75.07%。