近年来,随着社会对公共安全问题日益关注,监控系统的部署规模几乎覆盖了生活中的每个角落。面对海量的监控数据,如果仅靠传统人工检索的方式来查找目标行人,不仅会造成大量成本的浪费还达不到满意的检索效率。因此,行人重识别（Person re-identification,Re-ID）技术作为一项重要的解决手段,已经受到越来越多研究学者的广泛关注。行人重识别旨在利用计算机视觉技术跨越不同摄像头下自动识别同一目标行人,在刑事侦查、目标追踪、无人超市等其他领域都有着重要的实用意义。在实际的生活场景中,不同摄像头下的同一行人图像可能会由于视角不同、分辨率不同以及遮挡问题等多方面的影响,其行人特征会存在较大差异,增加了行人重识别的难度。而且,将一个场景下训练良好的模型迁移到另一个新场景下,准确率会大幅降低。因此本文针对上述问题利用深度学习等方法对行人重识别任务进行了深入的研究,主要创新点及研究工作如下:（1）本文设计了一种融合ECA的多分支多损失行人重识别方法,提高了行人图像特征的鲁棒性。首先,将轻量级ECA注意力模块嵌入到骨干网络Res Net50中,以增强显著特征,抑制无关特征。其次,设计了一个多分支网络结构分别提取行人的全局特征和局部特征,针对不同的特征采取不同的多池化特征提取方式,增强网络的特征提取能力。最后,联合三种损失函数对模型进行训练,并采用BNNeck进行优化,从而提高模型的鲁棒性。在Market1501和Duke MTMC-re ID数据集上的实验表明,本文所设计的方法具有较好的效果,在识别精度上也优于较多的经典算法。（2）本文设计了一种基于SPGAN与聚类的跨域行人重识别方法,提高了模型的跨域性能。首先,利用SPGAN进行风格转换,将源域图像风格转换为目标域图像风格,减小域间差异性。其次,对高斯混合模型聚类（GMM）算法进行改进,使用密度峰值聚类DPC来解决GMM中EM算法的初始值敏感问题,并且采用相对熵来实现对GMM参数估计值的优化选取。最后,利用改进的高斯混合模型聚类方法对目标域数据进行聚类,挖掘目标域数据间的潜在相似性。通过在多个公开数据集上进行实验,充分证明了本文跨域方法的有效性,从Market1501数据集迁移到Duke MTMC-re ID数据集时达到了56.3%的m AP和72.5%的Rank-1,从Duke MTMC-re ID数据集迁移到Market1501数据集时达到了62.8%的m AP和82.3%的Rank-1。（3）基于以上研究,本文设计并实现了一个基于深度学习的行人重识别系统,通过给定目标行人图像,可以更加简单直观地展示出行人重识别的结果。同时在实验测试下证明了本系统的有效性。