行人再识别用于判断从不同摄像头获取的行人图像是否为同一个人,其在公共安全领域具有突出的地位。随着计算机性能提高,新的数据集不断涌现,相关研究也层出不穷。本文阐述了最近几年行人再识别领域研究方法,在此基础上结合深度学习相关理论,主要做了以下工作:针对基于标签数据的行人再识别,本文设计了三种实现算法,其一,以单张图像分类为目标的原有网络基础,将图像对之间的相似性信息看做一个二分类问题加入到原网络中,并且通过对两种分类损失进行加权作为整体模型的训练目标来提高模型的精度;其二,考虑到图像之间的相似性与差异性联系,将图像三元组作为模型最终优化目标,通过对同类图像与异类图像之间的距离关系进行约束来提升整个网络的表达能力;其三,在一般分类模型基础上,我们利用卷积操作对获取的图像特征空间进行分块,然后通过LSTM学习图像空间连续性信息,完成模型训练优化。针对无标签数据的行人再识别,首先通过预训练好的模型对样本图像进行特征提取,并通过对提取后的图像特征进行聚类得到图像标签。然后利用一个筛选机制对聚类结果进行选择,使得训练所用数据具有更高的可靠性。最后对于获得的标签样本分别采用了图像对与三元组策略进行模型训练和优化,完成行人再识别任务。针对本文提出算法,为了验证其有效性,本文在多个行人再识别数据集上对其进行了实验测试,并且通过与现有的一些相关方法对比,验证了本文算法的有效性和优越性。