行人重识别（Person re-identification）是指在非重叠监控视域下,对当前拍摄到的目标行人在其他视角域下进行再识别的技术。这项技术目前在刑侦破案等方面已经得到广泛应用,特别是在防范打击国际恐怖活动的任务中,能够从海量的图像或视频库中迅速匹配锁定犯罪嫌疑人,大大提升了公安部门的破案效率。然而,在真实场景应用中,不同监控设备所拍摄到的行人图像存在着分辨率、拍摄角度、光照强度的差异以及行人姿态变化等多种干扰因素,这些都很大程度上影响了行人重识别模型的识别性能。因此,如何改善这些因素造成的不利影响,成为了目前行人重识别研究中亟待解决的问题。随着深度学习的不断发展,如何利用深度学习技术提高行人重识别的性能已经成为了具有重要应用价值的研究课题。对于基于卷积神经网络的行人重识别,其性能主要与采用的损失函数和网络结构有关。为此,本文主要工作将从损失函数和网络结构两个方面进行研究:（1）考虑到分类损失函数与度量学习损失函数在指导深度特征学习方面存在互补性,本文提出了一种基于组合损失函数的行人重识别算法。该算法采用的组合损失能够通过Proxy NCA++度量学习损失增强样本在嵌入空间中的类内紧致性,同时通过使用Softmax交叉熵损失提高学习特征的类别判别力。此外,提出的算法采用预训练的Res Net50模型作为主干网络来学习行人图像的深度特征。为了训练网络模型的参数,本文使用优化算法Adam最小化组合损失,采用随机水平翻转和随机擦除等数据增强技术克服过拟合。Market1501、Duke MTMC、CUHK03和MSMT17四个数据集上的实验结果表明,基于组合损失函数的行人重识别算法具有较高的识别准确率和较好的泛化性能。（2）考虑到不同图像中行人间的姿态存在巨大变化,本文提出了一种基于注意力和姿态估计的行人重识别算法。该算法中的注意力判别模块,能够自适应地学习每个通道和空间维度上特征的权值重要性,并将其作用于全局特征向量获得鲁棒性好、判别性强的全局特征向量。另一个姿态增强模块,能够基于关键点位置信息对图像进行前景特征增强,并对行人部件进行局部特征划分。两个网络模块分别从提取行人图像的全局特征及局部特征出发,共同优化构成了多粒度的端到端的网络模型。此外,提出的算法中采用预训练的Res Net50模型作为主干网络来学习行人图像的深度特征,并使用Adam优化算法最小化损失函数。Market-1501和Duke MTMC-re ID两个数据集上的实验结果表明提出的算法能够获得较好的检索性能。