公共环境下视频监控系统的普及所带来的海量视频给传统的人工智能视频监控分析方法带来了前所未有的挑战。在监控视频分析中,行人重识别具有重要的理论研究意义和实际应用价值,已成为计算机视觉研究领域中的热点问题之一。行人重识别是指在非交叠视角区域多摄像机网络下进行的特定行人图像匹配,即确认不同位置的摄像机在不同的时刻和环境下拍摄到的行人目标是否为同一人。目前行人重识别的算法研究大致可以分为两大类:基于视觉描述子和基于度量学习的行人重识别方法。基于视觉描述子的行人重识别方法是通过设计或者学习一些具有区分性和稳定性的描述子来表示行人图像。度量学习行人重识别方法则是学习一个适合的距离度量或者特征变换函数来最大化正确匹配率。本文所提基于流形学习的行人重识别算法主要侧重研究度量学习,而所提深度学习的行人重识别算法则侧重于研究视觉描述子。首先,本文采用改进的方法提取图像的颜色和纹理特征,由于真实场景中来自目标域的数据不易获得,因此采用半监督的Fisher判别分析对提取的高维特征向量进行降维,再对来自不同摄像头的数据采用更加鲁棒的流形对齐方法对其进行特征变换。利用学习后的投影矩阵,将来自不同摄像头的特征向量投影到公共潜空间,并且使来自不同摄像头的同一行人的特征向量的投影在这个空间中距离较近,而不同人的特征向量的投影在这个空间中距离较远。最后,计算查询特征的投影和搜索特征的投影的欧式距离,并认为距离越近,该图像对越可能属于同一人,以此构建基于流形学习的跨视角行人重识别系统。其次,由于受到流形对齐思想的启发,本文又采用深度学习来研究行人重识别问题,提出了一个多通道深度卷积融合网络,该网络能够自动、并行地在网络内部进行通道划分,并提取局部特征和全局特征。然后,改进了以往的特征融合方式,提出了一个自适应的特征融合方法。最后使用带约束的三重损失代价函数对整个网络参数进行优化。本文分析了自适应的特征融合方法对整个网络精度的影响,以及局部特征和全局特征在行人重识别中所起的作用。最终本文将基于流形学习的行人重识别方法在VIPeR,PRID和iLIDS行人重识别数据库上进行实验验证。然后,将基于深度学习的行人重识别算法在Market1501,DukeMTMC-reID,CUHK01和CUHK03行人重识别数据库上进行了实验验证,实验结果表明所提两种算法均能够在行人重识别任务中达到较好的效果。