行人再识别技术旨在实现对特定人物的跨设备检索,能够解决不同监控设备之间的拍摄盲区问题。近年来,该技术已应用于安全监控、刑侦探案、智慧出行和智能交通等多个领域,具有广泛的应用前景。在该任务研究初期,大部分工作采用传统机器学习算法,面向小规模训练数据,力求学习一个分辨能力较强的再识别模型。随着大数据时代到来,研究者倾向采用深度学习算法,利用大量数据训练模型。然而,由于行人出行的随机性,行人再识别任务的数据采集较为困难,且人工标注成本极高。同时,视角变换和光照条件等因素的影响,导致不同拍摄场景下的行人特征之间差异巨大。因此,如何合理利用有限标注样本降低跨设备行人特征差异,以及如何降低行人再识别任务中的人工标注成本都具有重要研究意义。本文针对上述问题展开了深入研究,其主要贡献如下:（1）为有效降低跨设备导致的行人特征差异,本文提出了一种基于联合学习局部距离度量和特征转换矩阵的行人再识别算法。该算法将跨视角特征转换矩阵引入原始距离度量函数,并以迭代更新的方式逐步优化模型,从而达到降低跨设备行人特征差异的目的。其中,特征转换矩阵用于拟合跨设备行人特征之间的映射关系,从而保证不同场景特征分布的一致性;马氏度量矩阵旨在将行人特征映射到同一空间上,并约束该空间上同类样本之间距离小于不同类样本距离。同时,为兼顾不同行人图像之间的差异性,该算法为不同特征分布数据分别构建局部模型。因而,在测试阶段,该算法得以自适应的为不同行人图像采用最优的再识别模型。实验结果表明,所提出的算法能有效降低跨视角特征之间的差异,在多个小规模数据集上都取得了优异的结果。（2）为有效降低行人再识别任务中的人工标注成本,本文提出了一种基于人在回路的行人再识别深度强化自主学习算法。该算法由再识别模型和样本选择策略构成,以人在回路的训练方式引入标签信息,从而逐步提升算法性能。其中,基于强化学习的样本选择策略针对不同输入样本,能自适应的选取最优样本点并予以标注;基于深层神经网络的再识别模型则用于行人特征提取,在获取足量标签后,即利用三元组目标函数更新其参数。实验结果表明,所提出的算法通过利用强化学习技术,能有效降低人工标注成本,在多个大规模数据集上均取得了优异的结果。（3）为取缔视频行人再识别任务中的人工标注流程,本文提出了一种基于渐进式度量学习的无监督视频行人再识别算法。该算法通过迭代更新再识别模型和行人序列伪标签的方式,达到逐步提升算法性能的目的。为保证初始化再识别模型的性能,该算法利用行人探测器、行人追踪器以及时空线索推断等手段,为单一视角下的行人序列生成初始伪标签。而后,在迭代优化阶段,该算法利用标签传播思想,对不同摄像机视角下的行人序列进行标签关联,并将跨视角标签关联数据用于更新再识别模型参数。实验结果表明,所提出的算法无需人工干预标注进程,在多个视频数据集上都取得了优异的结果。