行人重识别(Person Re-identification,Person Re-ID)课题是智能视频分析领域的研究热点。随着数据规模的不断增大,基于传统机器学习的行人重识别研究将进入瓶颈区。但随着深度学习算法在机器学习和计算机视觉等领域的重大突破,也使深度学习成为行人重识别的主流研究手段。研究者根据研究对象的不同,将行人重识别问题的研究分为两类:一是基于单帧图像的行人重识别,二是基于多帧视频序列的行人重识别。行人重识别算法研究主要聚焦在行人图像或视频的表征学习和度量学习两个方面。虽然在这两方面已经获得了若干重要的成果,但依然存在很多问题,例如复杂背景下行人图像间的相似性匹配或者行人视频序列的特征表示等。针对以上问题,本文的主要工作包括两方面内容:(1)针对单帧图像的行人重识别,本文提出一种距离加权采样算法,并基于该算法设计一个三元组损失变体。具体来说,首先给定一个锚点图片并选取困难正样本对,然后根据距离加权采样算法均匀的选取三元组负样本。实验结果表明,本文提出的算法优于其他基于三元组损失函数的行人重识别算法。(2)针对多帧视频序列的行人重识别,本文提出了一种基于动态图像的行人重识别算法。该算法旨在利用排序支持向量机模型将行人序列表示成动态图像的形式,并将动态图像作为深度嵌入学习网络的输入提取有效的行人序列的时间特征,然后结合行人序列的表观特征融合成该行人序列的最终特征表示,最后利用适当的相似性度量学习进行行人视频序列的匹配。实验结果表明,利用动态图像算法可以有效的提取行人序列的时间特征,并在三个公共行人数据上取得了较高的精度。