近年来,如何在监控视频中寻找目标人物或是确定两段不同行人视频中是否为同一目标,成为时下计算机视觉研究领域的研究重点之一。此问题被称之为行人再识别(person re-id)。行人再识别问题在视频监控领域尤其是公安刑侦和安防监控中具有非常重要的应用价值。行人再识别问题一般分为基于图像的和基于视频的两种。由于视频数据相较于图像数据而言更加复杂,并且基于视频的形式也更加符合实际行人再识别的应用场景,所以基于视频的行人再识别方法有更广阔的研究价值和应用前景。本文集中研究了在给定行人视频的基础上进行行人再识别的相关算法,尤其是基于深度学习的方法,探索如何有效提高行人再识别的准确率。本文在介绍了卷积神经网络(CNN)和循环神经网络(RNN)以及它们的一些扩展结构的基础上,综合视频行人再识别中出现的主要问题和视频数据的特征,提出了两种基于深度神经网络进行视频行人再识别的方法,一种方法重点研究如何学习视频中的有效时序信息,而另一种算法则探索如何自动学习分辨行人视频中的有效信息和干扰信息,从而提高行人再识别的准确率。本文的研究内容和主要工作如下:(1)在对现有算法研究基础上,改进了仅利用单向循环神经网络(RNN)进行视频行人再识别的方法中,时序信息的学习不足的问题,提出了利用双向循环神经网络(BRNN)来同时学习一段视频的前后两个方向的时序特征,实现对整体视频时序特征的有效学习,从而提高行人再识别的准确率。在配合卷积神经网络(CNN)提取图像空间特征的基础上,基于BRNN的行人再识别方法取得了较高的行人再识别准确率。(2)针对行人视频中存在的尺度变化,遮挡严重等问题,提出了一种利用基于深度神经网络的注意力机制来减少干扰信息的影响。结合多尺度学习的思想,文中的注意力机制以视频中每帧的空间特征为基础,自动学习特征对应区域的重要性,使得算法关注行人视频中的关键区域,同时减少无效甚至干扰信息的影响,从而提高模型特征提取的有效性,在多个视频行人再识别数据库上取得了较高的准确率。