近些年,网络监控系统被广泛普及并投入使用,视频监控因具备实时性,精准性,广泛性,使其使用量获得爆发式增加。但是,海量数据单靠人工方法标注会消耗大量的人力、物力资源,准确性也无法得到良好的保证。在此趋势下,大量的工作逐渐向机器化,智能化靠近。行人重识别的目的就是在大范围的监控下,将不同监控摄像头下的同一个行人,通过其外观信息或其他附加信息,进行身份关联判别,完成行人-身份信息的匹配工作,最终达到精准定位及目标跟踪的目的。行人重识别的研究主要集中在两方面:一是特征提取,另一个就是对上一步得到的特征进行计算度量的匹配。但是,实际摄像头下,监控周围的环境复杂多样,无法预测,从而导致拍摄到的图像会容易受到外在环境或硬件条件的干扰,导致无法提取到合适有效的特征给解决重识别任务带来许多难题与阻碍。国内外现有行人重识别研究已经获得了较多研究成果。本文就在此基础上,从提取判别性特征的角度出发,进行大量极具创新性的研究,来解决现存的特征判别性不够的问题。具体研究如下:（1）目前,大多监督学习方法用于解决行人重识别时已经取得了不错的成果,但是该方法需要通过手工参与的方式对训练数据进行数据标注,特别是对于大容量的数据集,手工标注的成本很高,而且完全满足成对标记的数据难以获得,所以无监督学习成为必选项。此外,全局特征注重行人特征空间整体的判别性,而局部特征有助于凸显不同部位特征的判别性。所以,我们基于全局与局部特征的无监督学习框架,使用全局损失函数与局部相斥损失函数共同进行判别性特征学习,最终实现行人重识别。（2）基于上述对行人重识别任务算法的指导内容,深入研究了一种粗-细粒度的无监督行人重识别学习框架。首先,使用基于补丁的判别性特征学习损失,将类似补丁的特征拉到一起,并推出不相似的补丁,以此指导未标记数据集来学习具有判别性的细粒度补丁特征。接着,三元组损失函数学习的仅是样本间的相对距离,只考虑了类间的差异性,没有学习绝对距离,也就是忽视了类内的相似性。鉴于此,本文通过相斥函数的指导来增加类间差异,并通过相吸函数的指导来增加类内相似度。最后,由于在不同的摄像头下同一人的不同图片会有比较大的外观差异,如果聚类合并时使用最大距离准则,则会放大差异性,导致不能合并来自不同摄像头下的同一人的图片。鉴于此,本文采用最小距离准则来将跨摄像头中外观不相似但拥有相同身份的人集合在一起,然后进行逐渐合并。