随着人工智能与智慧城市的发展,智能监控的需求日益增加,行人重识别作为智能监控系统中的关键技术之一,具有重要的科学意义与巨大的应用价值,得到了各界的广泛关注。对于一张目标行人图像,行人重识别技术利用机器学习、计算机视觉算法检索识别出该行人在不同摄像机、不同场景下的图像,从而有效地进行智能监控分析。然而,由于存在光照的变化、复杂的背景信息、相机的多视角以及遮挡等问题,使得行人特征的精确提取和准确匹配极具困难。因此,行人重识别仍是计算机视觉中非常具有挑战性的课题。目前,将深度学习技术结合到行人重识别任务中已经发展成为了一种研究趋势,与传统的方法相比,通过深度学习技术能够得到鲁棒性与辨识性更好的行人重识别模型。本文开展的研究内容和主要创新如下:(1)针对于行人重识别任务中因行人图像空间不对齐和遮挡带来的识别精度低的问题,本文提出了一种基于深度卷积神经网络的自注意力模型。该模型通过多个尺度特征的非线性组合,自适应的学习图像特征不同位置的依赖关系,有效地凸显不同图像的细节特征与信息,克服行人图像空间不对齐和局部特征依赖的问题。同时,联合交叉熵和三元组距离度量损失函数进行监督学习,使模型能够捕获同一个人的不变特征和不同人之间的显著差异,得到鲁棒性强、辨识能力高的行人特征。(2)针对基于监督学习模型的泛化和迁移能力差导致的行人重识别技术在多场景应用下识别精度低的问题,本文提出了一种基于迁移学习的域自适应模型,联合带标签的源域数据和未标记的目标域数据学习不同域之间的传输模型。该模型充分考虑不同域内的行人数量不一致问题和摄像机视角之间存在的域内差异,联合源域与目标域进行训练,借助于有限的监督信息进行迁移学习,充分挖掘了域内的相关性与域间的差异性,最终联合监督项和特征不变性的损失函数获得鲁棒性能强的特征提取器。(3)针对行人重识别图像中存在大量视觉相似带来的识别问题,提出了一种基于软多标签学习的难样本挖掘方法。该方法将源域数据作为参考系,利用视觉特征之间的相似性与行人特征的不变性,挖掘出数据的正负难样本,优化更新目标域内特征记忆存储器。同时,依据样本之间的相似性分数生成行人的多标签,以此对目标域内无标签的图像进行软标注,并结合多种自监督信息,联合训练模型的特征提取器。最后,通过大量实验和比较评估表明,在具有挑战性和标准性的大规模数据集CUHK03,Market1501,Duke MTMC-re ID和MSMT17上,本文提出的模型取得了较好的性能。同时,相较于最新的主流先进方法而言,所提出的框架取得了较大的提升。