随着人们公共安全意识的提升,视频监控设备得到迅速普及,在交通、车站、商场和校园等公共区域的安防工作中发挥着重要作用。行人是安防领域最重要的目标之一,与之相关的行人检测与行人重识别一直是智能监控领域的热点问题,受到了广泛的关注和研究。为了实现监控场景下行人的自动检测和识别,本文分别就监控场景下的行人检测与行人重识别展开研究,主要工作如下:（1）为了更好地完成监控视频中行人的检出工作,本文设计了一个轻量型的行人检测模型,将Mobile Net V2作为行人图像的特征提取网络,相比一般目标检测模型,Mobile Net V2更加轻量化,且保持了较好的目标检测精度;为了使模型更好适应行人尺度变化,将Mobile Net V2不同层次的特征进行跨深度融合,对融合后的特征进行行人多级检测,增强模型对不同大小和比例行人的检测能力。同时,为了保持模型的轻量化,多级检测分支为基于深度可分离卷积设计的全卷积结构;最后,将模型在行人数据集上进行训练,经测试,模型的平均检测精度达到了88.53%,对单张图像的平均推理时间为12.76ms。通过在监控场景对模型的实际检测效果进行测试,结果表明,模型能够完成监控视频中行人的快速、准确检出。（2）针对一般的行人重识别方法对行人图像提取一个简单的全局特征,在复杂的行人重识别任务中存在特征表示能力不足的问题,本文提出了一种新的多尺度特征学习算法,结合全局与局部特征学习得到更好的行人表示,提升复杂场景下模型的识别能力;其次,考虑到行人在图像中不对齐时会限制模型性能,对骨干网络不同深度输出的行人特征图,通过特征对齐模块对其执行空间变换,实现行人特征在空间上的矫正和对齐,进一步增强模型的泛化性能;最后,在公开的大型行人重识别数据集上,本文提出的方法取得了优秀的表现,优于当前大多数行人重识别方法。（3）将本文设计的轻量级行人检测模型与行人重识别模型进行结合,实现面向应用的行人重识别技术,系统能够对输入的监控视频进行自动、快速的分析,从中寻找给定的目标行人。最后,从多个监控场景采集和制作了新的测试集对系统进行测试,结果表明,系统能够完成监控视频中指定行人目标的快速检索。