行人再识别(Person re-identification)技术是判断在不同监控摄像头下出现的行人图像是否属于同一行人的技术。面对海量增长的监控视频,利用计算机对监控视频中的行人进行再识别的需求应运而生。然而现存的行人再识别算法主要是在已裁剪好的行人图片中匹配查找集和候选集,这是不切实际的,行人的框架在现实考虑中不可能直接给定,目标行人需要在整张图片中被锁定。目前,深度学习在图像识别、语音识别、自然语言处理等多个领域取得了优异的效果。相比于传统人工提取特征的方法,深度神经网络通过从数据中自动学习到更能表征图像的特征并进行分类,更具实际意义。将深度学习应用到行人再识别上已经成为当前的研究热点,但是由于目前行人再识别中如图像分辨率低、遮挡、光照变化等问题使其离实际应用还有很长的距离。本文总结了目前一些行人检测及再识别的常用特征、算法以及深度神经网络结构,并进行深入研究和分析。设计了一种针对端到端行人再识别的预训练网络模型,该模型结合了验证和分类两种网络结构,并利用空间池化操作对不同尺度的输入图片进行特征归一化。在此基础上用性能良好的ResNet-50网络结构对端到端的行人再识别网络结构进行改进。之后在caffe深度学习框架上训练改进的模型并进行多组实验,包括预训练模型的有效性、不同特征维度对网络模型效果的影响、在不同大小的候选集、低分辨率和遮挡子集下的性能分析,以及与当前比较先进的算法进行对比。实验结果证明了本文方法训练出来的模型能够学习到具有较高鲁棒性的特征,大幅度提高了行人再识别的识别率。