近年来,深度学习的兴起使得人们日常生活中接触到许多与人工智能相关的技术和产品。国家对人民的安全问题也愈加重视,安防产业也因为深度学习、计算机视觉等领域的落地得到了长足的发展。行人重识别是安防产业、视频监控其中一个重要的研究方向,它在智慧城市领域有着举足轻重的作用。随着深度神经网络的快速发展和智能视频监控需求的不断增长,行人重识别成为工业界和学术界共同关注的课题,它的首要任务是从大量监控视频中准确识别出特定的目标。行人重识别可以弥补在一些背面、侧面或其他人脸模糊等人脸识别系统无法使用的缺陷,进行跨摄像机检索,实现对目标人物的轨迹还原和识别。本文针对智慧城市中的行人重识别领域并基于深度学习技术进行研究工作,总结了行人重识别的国内外研究现状。对行人重识别中存在的背景复杂导致的鲁棒性较差的问题、深度学习无法学习到传统手工特征的问题、属性识别时特征判断能力不足的问题提出了相应的解决方案。本文从静态图像不同的角度提出了多种行人重识别方法,主要研究内容包括以下几个部分:(1)针对公开数据集Market1501、CUHK03和DukeMTMC-reID存在的一些图片背景差异及人体遮挡问题,提出一种基于ResNet50框架的改进模型,利用了 ResNet的多层特征分别进行降维监督,并改进了损失函数。本文算法在Marketl501数据集上优于同种网络框架类型最优开源算法AlignedReID++的 Rank1 值5.4%,mAP 值 10.4%;在 CUHK03 数据集上优于 AlignedReID++网络 Rank1 值4.9%,mAP 值 2.9%;同样的,在 DukeMTMC-reID 数据集上优于 AlignedReID++网络 Rank1 值 5.4%,mAP 值 1.6%。(2)针对第一部分改进方法中出现的行人检索结果的颜色不匹配问题,采用基于LIP数据集进行人体解析的方法。在传统对抗网络的基础上进行改进,减少了局部特征的语义不一致性。通过较小的感受野实现了全局特征和局部特征相互监督从而避免了处理高分辨率图像损失函数收敛差的问题。并将解析后的行人图片进行上衣和下衣颜色的提取,以传统的手动特征作为先验条件筛选出不符合颜色特征的图片,从而提高了行人重识别的性能。(3)在行人属性识别的基础上增加了注意力模型,并在两个大规模属性识别数据集(Market1501和DukeMTMC-reID)上进行实验,针对行人重识别与行人属性间的相关性进行了分析,结果显示改进后的算法比不加注意力模型的基础网络有了较大提高,可验证基于属性识别的行人重识别改进模型具有较高的准确性。本文对网络特征的多尺度池化进行了探讨,通过实验验证了提出的行人重识别改进方法的可行性,能够有效提高行人重识别的识别精度;并在一定程度上克服了行人图片中颜色差异的影响;有效结合了行人重识别与行人属性识别算法,验证了二者能够相互促进。最后,本文讨论了一些未来行人重识别技术可能发展的方向,并为后续的相关研究提供建议。