随着社会的进步，人们对于公共安全区域监控系统的需求日益强烈。而计算机技术的迅猛发展，则有力地推进了智能监控系统的基础研究与应用推广工作。作为智能监控系统中两个关键性问题，活动相关性分析与行人再识别得到了广大科研工作者的深入研究。活动相关性分析是指分析各个摄像机覆盖区域中子区域的相关性和时间延迟。实际应用中，我们可以由此得到摄像机之间的拓扑结构，为后续行人再识别建立稳定的基础。行人再识别是指将视频监控中单个摄像机下的行人检测结果作为输入，在其他摄像机下的行人检测结果中进行同一行人的匹配过程。这在实际的安防监控中有着极大的用处。在实际公共安全区域的应用中，活动相关性分析的难点在于很难从拥挤的人群和车辆中提取有效且稳定的活动特征，这是相关性分析的基础，只有稳定的特征才能够学习出有实际意义的相关性结果。针对这一问题，本文提出了一种基于慢特征分析的方法，将其应用到底层活动特征以获得更有意义的高层稳定特征。行人再识别的难点在于如何选择一个最优的度量方式对不同摄像机下的行人进行匹配。因为不同摄像机角度光照等差异，以及行人姿态的变化，同一行人在不同摄像机下的视觉特征相差会非常大。为了解决这一问题，本文提出了一种基于稀疏编码的度量方式，通过训练集中同一行人的样本对来构建字典，以此消除不同摄像机角度等变化带来的系统性差异，再利用学习到的字典对待检测样本和备选集样本对进行重构，判定重构误差最小的一对样本即是同一个行人。为了验证本文提出的两个方法的有效性，本文对两个方法分别在一个三岔路口的视频数据以及三个公开的行人再识别数据库(i-LIDS，VIPeR以及GRID)上进行了实验验证，并和各自领域内的最优算法进行对比。实验结果表明本文提出的两个算法相比于现有算法更具备有效性和优越性。