基于监控场景下的行人重识别问题是当前计算机视觉领域研究的热点，主要任务是指行人在穿梭于监控场景中摄像机网络的视频或图片的匹配，特别是对于非重叠视域的多摄像机网络结构，应用场景更加广泛。因此行人重识别问题在智慧城市，安防监控，交通管理等领域有着非常广泛的应用前景。然而，由于非重叠视域的多摄像机网络结构存在场景背景的变化、行人外观姿态的变化以及光照角度的改变等因素，使得行人重识别的研究工作充满了挑战性。　　行人重识别的研究方法主要分为两类:(1)基于行人外观模型，能够克服行人光照，姿势和视角的变化。(2)基于学习方法匹配，学习方法将底层的特征信息转换高层的语义信息。从数据的形态上行人重识别研究问题主要分为基于单帧图像和视频序列:(1)单帧图像是指对于一个行人重识别目标，在监控场景摄像机网络中只有一张图片信息可以加以利用;(2)而基于视频序列可以利用的信息则相应的为多幅图像或者一段视频序列帧。本文的主要工作就分成单帧图像和视频序列的两种情况，具体如下:　　(1)对于单帧图像行人重识别，考虑到行人图像包围盒包含不必要背景信息和遮挡，本文提出了一种新颖的显著性加权特征，该特征通过在构图的基础上运用流形排序算法来学习行人图像的视觉显著性。具体来说，首先对图中超像素块构建环图，基于这些超像素块，依据和前景信息和背景信息的距离来计算相应的显著性。最后，将区域块的显著性和局部最大发生特征结合，构建了一种视觉显著性加强的鲁棒外观模型，该特征有效地增强行人区域的同时抑制背景区域对行人重识别的影响。　　(2)对于视频序列行人重识别，本文假设拥有相同外观的行人图片来自于同一个低秩子空间，同一个行人的所有图片存在于一个联合的低秩子空间，基于这样的假设，本文提出了一种有效的子空间学习方法，该方法基于低秩表示模型，同时融合了非负，低秩和稀疏约束，在此基础上，构建加强行人图片之间关系的信息图，此外，为了加强低秩关系矩阵，本文引入了统计学中的先验概率，重复判别先验，该先验概率主要运用在分割领域，本文将其拓展到基于视频序列的行人重识别任务中以提高鲁棒性。