近年来,国家和个人对于安全问题日益重视,安防监控日益普遍,从海量的视频中寻找到所需要的信息也越来越困难,通过人工的方式往往需要耗费大量的人力。行人重识别任务的目的是通过计算机对使用不同摄像机拍摄的同一行人的图像建立对应关系,行人重识别在智能安防等领域中有着重要的作用。近年来,基于深度学习技术的方法在计算机视觉、语音、自然语言处理等领域都取得了重大的进展。对于行人重识别任务而言,基于深度学习的方法已经成为了学术上主流的方法,但现有的深度学习方法在准确率上存在不足,很少考虑到行人实体的不同粒度的细节特征,更没利用到不同粒度的特征之间存在的关系。不仅如此,现在基于深度学习的方法对于计算量和存储都有着很高的要求,无法部署到资源受限的嵌入式设备上。本文对行人重识别的深度模型算法和深度学习模型的剪枝加速进行研究,主要研究内容有:1、提出了针对行人重识别任务的多粒度特征提升网络。不同于现有的行人重识别算法,多粒度特征提升网络引入了注意力机制和特征提升模块融合了行人实体不同粒度的细节特征,经过多任务学习的方式对网络的训练,多粒度特征提升网络在各个主流数据集上取得了不错的实验效果,尤其是在采用新测试协议的CUHK03数据集上,rank-1和mAP准确度达到了79.1和77.1。2、提出了联合L2范式和泰勒一阶展开的卷积滤波剪枝方法。该方法结合了L2范式和泰勒一阶展开两种剪枝标准,多粒度特征提升网络经过该方法剪枝后达到了2.5倍的压缩比,和4.2倍的加速比,并且模型的精度损失在可以接受的范围内。