随着城市化进程的快速发展,更多的视频监控摄像机安置在城市的各个角落,由此产生了海量的视频监控数据。对视频中关键信息的获取和分析已经不能单纯的依靠人力来完成,将深度学习技术应用到多摄像机监控中能够带来极大的便利。视频数据结构化能够提取单个摄像机视频监控的行人序列信息,行人目标再识别能够将不同摄像机中的相同行人目标进行匹配关联,从而能够实现多摄像机监控中行人综合信息的获取。本文将深度学习技术结合到多摄像机监控任务中,针对行人再识别这一问题进行研究工作,本文取得的研究成果如下:首先,设计了用于深度学习的行人再识别数据集标注软件并生成了行人再识别数据集,为再识别工作的展开提供了数据支持。本文采用人在环中的智能标注思想,采用深度学习技术对不同摄像机中获取的行人序列信息进行自动匹配,人工对匹配的结果进行确认和矫正,并且利用标定好的数据集对深度学习模型进行增强学习,从而提升行人再识别数据集的标注效率和准确性。使用该标注软件对录制的行人视频进行标注,生成了行人再识别序列数据集以及倾斜姿态的行人图片数据集。其次,提出了结合深度学习与行人倾斜姿态矫正的再识别方法,用于解决再识别过程中多摄像机间行人姿态倾斜的问题。在再识别之前的图像预处理阶段,采用深度学习方法将再识别的行人目标进行实例分割并且获得目标行人的边界信息,用主成分分析方法获得行人的偏转角度并且将行人进行姿态矫正,从而实现不同摄像机视场中行人姿态的对齐。然后用深度学习网络提取姿态矫正后的行人特征,通过距离度量,获得行人再识别结果。实验结果表明,该算法能够有效的将倾斜行人进行姿态矫正,在再识别任务中取得较好的表现。再次,提出了结合深度学习与摄像机网络拓扑的行人序列再识别方法,缩小了多摄像机间行人序列再识别查询范围,实现了行人序列的再识别。通过摄像机间的行人信息推断出摄像机网络拓扑,在再识别过程中通过摄像机网络拓扑生成候选行人,再通过查询行人序列特征与候选集序列特征进行DTWT距离的度量,从而得到再识别结果。实验结果表明,该方法减少了行人再识别候选集,实现行人序列特征矩阵的有效度量,提升了行人序列再识别的速度和准确性。最后,设计并实现了行人再识别云平台实验系统,将结合深度学习的再识别技术融入到多摄像机监控系统中。在云平台上部署Restful Web服务器,将前端计算节点提取到的行人结构化序列信息保存到云服务器的数据库中,在云服务器上实现行人图片再识别、行人序列再识别的功能,最后在客户端上进行展示。本文成果对多摄像机智能监控技术的研究和应用具有较大的参考价值。