视频监控在维护城市安全中起到了不可替代的作用,针对特定行人的定位、跟踪和检索技术是视频监控中重要的研究内容。其中特定行人的检索、识别问题被称作行人重识别,是当前计算机视觉领域一个重要的研究课题。由于实际监控场景的复杂性,被拍摄到的行人图片会出现尺度变化、旋转、遮挡、光照差异等问题,给行人重识别研究带来了很大的挑战。提取鲁棒的行人特征、设计合适的度量方法、对查询的排序结果列表进行重新排序等是目前该领域研究的主要思路。本文针对上述中行人重识别中存在的问题,结合深度学习理论,分别研究了单帧图像下的行人重识别方法和基于视频序列的行人重识别方法,主要工作如下:(1)基于行人属性的行人重识别算法目前主流的特征提取方法是采用卷积神经网络提取鲁棒性的特征,这种深度特征往往包含更多的高级语义,但是会丢失一些细节信息。针对此问题,我们提出一种基于行人属性的行人重识别算法,用行人身份信息和属性信息同时训练卷积神经网络。所提出的神经网络模型由三部分组成,分别是基础网络、行人身份识别网络、行人属性识别网络。基础网络用来提取行人特征;行人身份识别网络使用三元组损失和特征融合的方法得到鲁棒性特征;行人属性识别网络使用交叉熵损失和行人属性信息监督网络训练。实验证明,通过基础网络、行人身份识别网络和行人属性识别网络的联合训练,我们得到了更加鲁棒的特征,有效提升了行人重识别算法的性能。(2)基于时空注意力机制的行人重识别算法相比于单帧图片,视频中含有更多的行人信息,如何有效的发掘和利用视频中的时空信息是基于视频序列行人重识别的研究重点。针对此问题,我们提出了一种基于时空注意力机制的行人重识别算法。我们在神经网络的基础上添加了空域注意力机制,其中空域注意力模型给予图片中不同的区域不同的注意力,以此来提取更加鲁棒的特征;时域注意力机制在特征融合阶段为视频序列中的不同图片赋予不同的权重,这样可以有效降低质量较差的图像对视频序列整体特征的影响。实验结果表明,所提出的基于时空注意力机制的行人重识别方法取得了有竞争力的识别效果。