近年来,越来越多的研究者开始投入到人脸检测、人脸识别、目标检测和行人再识别等经典的计算机视觉任务研究工作中来。计算机视觉研究如何使计算机像人类一样具有通过视觉感知和理解世界的能力。就现阶段而言,计算机对于世界的“视觉”感知大多依赖于电子摄像机所拍摄的图像、视频等,而其研究热点大多聚焦于和人类有关的任务。本文在人脸检测、人脸识别、行人检测和行人再识别等计算机视觉领域经典任务的基础上,研究了更加符合实际应用需求的行人搜索问题。本文研究的行人搜索问题分为检测式行人搜索问题和人脸导向式行人搜索问题。检测式行人搜索问题要求我们从全景图像集中定位和搜索匹配到目标行人的样本,而人脸导向式行人搜索问题要求我们将外观差异较大的同一行人个体的不同样本进行匹配。对于检测式行人搜索问题,我们提出了基于Dense Net的一体化网络模型——具有空间不变性的行人搜索网络（Spatial Invariant Person search Network,SIPN）,以全景图像作为输入,同时输出行人检测和行人再识别的结果;同时,该模型针对检测式行人搜索场景中行人样本存在空间变化的挑战,设计了行人空间变换器,在产生行人候选框的同时,对候选框中的行人特征图进行空间矫正,使得矫正后的正样本行人特征较之目标行人特征相对“不变”;再者,我们还改进了用于检测式行人搜索任务的线上样本匹配（Online Instance Matching,OIM）损失函数,提升了模型训练过程中的准确率和效率;此外,本文还提出了适用于检测式行人搜索问题的三元组损失函数,有效地利用了检测式行人搜索场景中的非标记个体样本,进一步提升了行人搜索的准确率。而对于人脸导向式行人搜索问题,本文提出了一种结合人脸识别和行人再识别的两阶段级联式模型,首先对于数据集中的样本进行人脸检测和识别,提取人脸特征,通过特征比对后选择与目标行人样本在人脸特征空间中最相似的若干个样本作为下一阶段的目标样本,而后以这若干个样本为目标,进行多目标行人再识别匹配,完成第二阶段的搜索任务;同时,我们还提出了一种多个待搜索目标之间的相互限制性条件,通过彼此匹配目标的矛盾性压缩第二阶段即行人再识别阶段的样本空间,提升搜索的准确率和效率;最后,本文利用图模型对数据集中的样本进行建模,通过图模型的最短路径搜索算法进行更准确的行人搜索。综上,本文讨论了两种切合实际的行人搜索任务,提出了相应的模型和算法,并通过分析原理和实验验证了我们的方法的有效性,并对所提出的模型进行了详细的分析和探讨。