随着科学技术的进步,城市安防越来越有向智能化发展的趋势。面对海量的监控视频,为了降低人力物力消耗,智能视频分析领域开始兴起。行人重识别技术能分析处理复杂环境下的行人图像,是许多监控安防应用中的主要任务,对该技术开展深入研究具有重要意义。目前在单域情形下的行人跨境头识别准确率能达到95%以上,但在跨域情形下却仅有60%左右,这大大阻碍了行人重识别技术在实际中的应用推广。本文基于深度学习技术,结合单域下的行人重识别研究基础,从数据集、网络结构、训练策略等方面对跨域情形下的行人重识别算法进行优化,主要工作内容如下:1.测试数据集构建。目前公开的数据集场景较为单一,图片中行人和环境特征丰富,不能完全反映真实场景下的行人情况。本文通过拍摄采集的方式,自行创建了一个具有116个行人共14165张图像的行人重识别测试数据集,包含了室内室外多场景、多种天气和多种摄像机状况下的行人图像,能真实的反应出算法的跨域识别能力。2.训练集风格迁移。针对不同数据集间存在域间间隔导致跨域识别效果差的问题,使用生成对抗网络进行数据集优化处理。本文在一般风格迁移模型的基础上进行改进,增加身份损失和权重参数使其更适合行人图像任务。经过风格迁移后的训练集在保留原图像内容的基础上融合了测试集的图像风格,缩小了两个数据集间的相机风格差异,从而提高了行人重识别跨域识别的能力。3.行人重识别算法设计。针对行人特征辨识度不够、泛化性不强导致跨域识别效果差的问题,使用IN（Instance Normalization）模块加强行人的外观特征,使用二分块模块和三分块模块来提取更细粒度的行人特征,使用扩大特征图策略来获得更丰富的特征,使用随机擦除策略和学习率预热策略来保证网络达到最好的训练效果。4.算法整体性能测试。本文在公开数据集Market1501上进行训练,在另一公开数据集Duke MTMC和自行构建的数据集My Test上进行算法跨域性能测试,在两个数据集上分别达到了81.9%、60.4%的识别准确率。进一步将本文算法与主流算法进行对比,证明了本文提出算法的优越性与合理性。