行人重识别旨在对目标行人进行跨相机检索。随着视频监控网络的日益庞大,该项技术越来越受到学者们的关注。目前,行人重识别主要包含三个关键问题:行人检测,从视频流中提取高质量的静态行人图像;特征表达,从图像中提取具有跨相机不变性的特征向量;度量学习,评估特征向量之间的相似度。本文从上述关键问题入手,对行人重识别展开了研究。在行人检测问题上,针对经典的HOG+SVM算法无法兼顾检测速度与质量、存在冗余行人目标的缺点,研究并实现了一种联合运动目标检测、目标分类以及目标跟踪的行人检测与跟踪算法,满足了重识别场景下的行人检测需求。在特征表达问题上,针对LOMO特征对背景噪声鲁棒性较差、维度较高的缺点,提出了一种结合行人轮廓信息与维度优化的改进算法,得到了较原LOMO特征维度更低、区分度更高的改进LOMO特征;研究了基于深度学习的特征表达算法,针对如何有效利用改进LOMO特征和CNN特征的互补特性,提出了特征融合网络,使得改进LOMO特征不仅能和CNN特征进行自适应融合,还能反向优化CNN特征的表达能力,得到了区分度更高的融合特征。在度量学习问题上,研究了行人重识别领域常见的度量学习算法,评估了其与融合特征之间的匹配度,数据表明,XQDA度量学习算法和融合特征具有较高的匹配度。最后,在理论研究的基础之上,基于B/S架构设计了一套适用于监控场景的行人重识别软件系统,实现了监控回放、行人重识别等功能,进一步验证了相关算法的正确性与有效性。