如今,由于监控摄像机的大量普及,产生了海量的图像数据,传统的人工方法已经无法从海量的图像数据库中快速地检索出有效的目标行人信息。行人重识别（Person Re-identification）是指参照所要查找的行人图像,从整个图像数据库中查找出同一行人的所有图像信息。然而,行人重识别是一项非常具有挑战性的任务。从数据的角度,行人重识别数据集是由不同的监控摄像机拍摄得到的,采集的图像通常具有较低的分辨率,且当行人被不同的监控摄像机拍摄时,光照条件、背景杂波遮挡、可观察到的人体部位和行人的姿势等因素会使得拍摄的图像有很大的不同。行人重识别主要包括两个步骤,分别是提取行人图像的有效特征和对提取的特征进行度量学习。因此,一个有效的行人重识别系统必须能够学习分辨性强的特征表示。目前,深度学习已经广泛应用在了人脸识别和物体检测等计算机视觉领域,并取得了较好的效果。与此同时,利用深度学习对行人重识别问题进行研究也逐渐流行。本文采用了残差卷积神经网络开展了行人重识别问题的相关研究,主要内容包括:1.基于残差网络的思想,提出了一种孪生结构的残差卷积神经网络行人重识别模型。在模型中设计了一个包含“identity”和“conv”两个残差模块的残差网络层,在该层中交替使用这两个权重共享的残差模块,增加了模型的整体深度,学习到了更具有分辨性的高级行人特征。2.基于人体语义分割的思想,提出了一种人体多部位解析的残差卷积神经网络行人重识别模型。该模型采用了具有残差网络结构的Xception网络模型作为骨干网络,主要包括人体分类和人体解析两个子分支模型,分别用于提取行人的全局和局部特征。为了提高行人图像的分辨率,本文采用了超分辨技术预处理行人数据集。同时,将两个分支模型的结果简单直接地融合在一起得到初步的原始行人特征表示。利用本文提出的特征融合策略将由原始图片与其水平翻转图片得到的原始行人特征进一步融合,得到最终的行人表示特征。本文使用Market-1501和CUHK03两个公共行人数据集对提出的网络模型进行性能测试,经过实验验证,本文提出的模型性能要优于大部分模型。