随着智能安防社区需求不断提升,人工智能赋能安防监控带来新的挑战。海量的监控视频数据在计算机技术的支持下逐渐实现自动化数据分析,大大提升当前安防的监控质量。行人重识别作为视频监控领域的重要应用技术,对于推动安防监控智能化有着重要意义,鉴于其应用价值该技术得到学术界和工业界大量研究人员的关注,尤其在深度学习技术的推动下,行人重识别技术得到了快速的发展。行人重识别的准确率由于视角变化、遮挡、低分辨率等技术挑战仍难以满足实际应用场景的需求。本文充分调研和分析了当前行人重识别的研究进展,分别对图像行人重识别问题和视频行人重识别问题展开研究,并提出相应的研究成果。本文的主要研究工作如下:（1）基于多通道注意力特征的图像行人重识别算法。空间注意力机制可以有效捕获行人外观上的判别性空间信息,有效提取高判别性的行人特征提升行人重识别的性能。而通道注意力机制可以对行人特征不同通道之间的相关性建模,自适应调整不同通道的特征响应,增强行人特征的判别性表征能力。本文进一步采用多样性正则化的方式提取多样化的通道注意力特征,通过海林格距离最大化约束作为模型训练的正则项,模型有效融合多通道注意力特征在公开数据集上实现了先进的性能。（2）基于局部关联特征学习的图像行人重识别算法。相似外观的不同行人在局部区域容易造成判别混淆错误,许多算法提取行人局部特征进行独立优化训练难以克服视觉相似的局部区域对算法模型训练的干扰,本文针对该问题提出了局部关联特征学习的网络,基于自注意力机制建模行人局部特征之间的关联性,提取局部关联特征参与模型的端到端训练,在推理阶段融合局部特征进行特征检索。实验证明,本文的局部关联特征网络模型在公开数据集上实现了十分可观的性能。（3）基于帧引导区域对齐的视频行人重识别算法。行人视频序列数据比图像数据有更加丰富的时序特征信息,然而行人在视频序列中经常出现尺度变化和姿态形变导致的部位不对齐问题,本文针对上述挑战提出一种新颖的帧引导区域对齐模型FGRA,通过提取序列的引导帧特征,基于深度交叉相关计算实现跨帧对齐行人的身体区域,同时为了保证对齐区域的语义一致性,引入一致性正则项在模型训练过程中保证区域对齐特征的紧凑性。FGRA模型基于时序对齐权重和空间注意力融合所有对齐局部特征作为行人的序列表征。实验证明,本文提出算法模型对比现有先进工作取得了很不错的性能。