近年来,随着视频监控网络覆盖面积的不断扩展,监控系统在日常生活中发挥着越来越重要的作用。行人再辨识任务作为监控系统中一个重要的研究环节,更是得到了广泛关注。行人再辨识的目的是在跨摄像头的场景下,对感兴趣的行人进行快速搜索和匹配。本文在行人再辨识基本研究框架的基础上,对基于静态图像的行人再辨识、基于动态序列的行人再辨识、无监督跨库学习等开展了具体的研究。主要工作包括以下几个方面:在基于静态图像的行人再辨识研究中,设计了空间显著性学习模块,用以增强空间有效局部块的影响力,削弱噪声区域的影响;提出了重排序学习算法,在不增加额外数据的基础上提高了搜索匹配的性能。在基于动态序列的行人再辨识研究中,设计了局部空间权重学习网络用以学习序列内部空间块的共性特征;设计了时序权重学习网络来对时序特征进行有效融合;提出了序列相似度L1损失函数,其结合分类损失和验证损失同时对网络结构进行优化。在无监督跨库学习的研究中,引入了图像检索中通道加权、空间加权、多尺度池化方法和行人再辨识中度量学习算法来增强特征的表征能力。设计了标签样本的生成算法为度量学习提供有效样本对。在CUHK03、CUHK01、VIPeR、PRID-2011、iLIDS-VID、Mars等公开数据集上的实验结果验证了本文算法的有效性。