行人再识别的任务是在无重叠的视频监控网络中将一个或一组需要查询其中行人身份的图像与图库中大量候选人图像相比对,根据相似程度来识别待查询图像中行人的身份。其基本假设为:行人图像的捕获在相对较短的时间内完成,衣服和身体的形状没有太大的变化,可以用作识别身份的提示。本课题的难点为:（1）同身份行人在视图中有显著的变化;（2）输入图像较小,面部特征难以应用;（3）测试集相对于训练集处于完全开集识别状态,应用传统的深度分类模型不能端到端地完成任务;（4）照明、姿势、视角、图像尺度、图像分辨率、摄像机设置以及行人背景的大幅变化。本文针对以上提及的挑战性问题进行了深入研究,主要研究内容和创新点如下:（1）现有深度分类模型以softmax层作为输出层,导致模型难以处理开集识别问题,本文提出了多视觉属性自适应融合深度回归神经网络,将行人再识别问题建模为身份相同概率回归问题,使行人再识别能够端到端地完成。首先应用同参数孪生网络部分提取两幅输入行人图像的差异,将图像差异输入到多视觉属性分支,分别进行对应的视觉属性相似性概率回归;其次,利用本文提出的基于贝叶斯推断的多视觉属性融合与优化理论学习视觉属性融合权重,加权融合各视觉属性相同概率得到最终两行人身份相同概率值。为了避免贝叶斯推断优化过程中多视觉属性融合权重趋向于独热（Tend to One-hot）的问题,提出了融合权重平滑交叉熵损失函数,在训练过程中应用权重平滑交叉熵损失函数,可以有效避免这一问题。（2）对于公开数据集提供的独热编码的硬标签不适合作为回归模型训练的监督信息的问题,本文提出了集成在深度学习端到端训练过程中的基于贝叶斯推断思想的多标签自适应融合与优化方法,将多个硬标签自适应地融合成为一个软标签,使视觉属性标签适合作为回归模型训练过程中的监督信息,促进了深度回归模型在训练过程中的收敛。（3）行人再识别测试数据对于训练数据通常处在开集识别状态,相比于分类任务,行人再识别课题要求模型具备更强的泛化性。基于卷积神经网络模型（Convolution Neural Network Based Model,CNNBM）的决策高度依赖于较高层提取的模式（Pattern）组合。因此模式组合的多样性在一定程度上决定了CNNBM的泛化性。本文提出了基于梯度信息擦除的数据增强方法（Gradient Based Erasing Data Augmentation,GBE）,在训练阶段利用GBE产生的增强数据训练模型,可以避免模型依赖于少数特定模式组合的情况,减小过拟合的风险,提升CNNBM的泛化性。针对本文提出的方法,在Market-1501和Duke MTMC-reID数据集上进行了大量的消融实验和对比实验。消融实验结果表明,本文提出的方法均对基线（Baseline）模型产生积极影响并提升了准确度;对比试验结果表明,本文提出的方法在保持模型较少参数量、模型结构简明特点的同时在精度上仍处于优势。