随着计算机视觉技术和深度学习的快速发展,行人再识别技术在安防领域、罪犯跟踪等方面有着越来越重要的应用价值。然而,监控视频中存在图像分辨率较低、局部遮挡、光照差异以及行人姿态变化等问题,使得行人再识别技术的发展受到局限。当前,主要的研究工作针对上述存在的问题,着力于获取行人的强鉴别性和鲁棒性的特征描述子。为此,本文提出了两种特征学习的方法,以提升行人的识别准确率。本文的研究工作主要包括:(1)针对行人图像中局部遮挡、光照变化、位置不匹配等问题,目前的研究主要包括基于全局特征的、基于局部特征的以及结合局部和全局特征的方法。本文针对上述方法的不足,提出了一种全局与局部特征提取模型LGEU。LGEU模型包括局部选择以及全局特征学习两个过程。局部选择过程将行人的特征切分为若干部分,依次对每个部分的特征进行局部平均以及卷积操作,分别学习各部分特征的重要性。另外将全局特征结合局部选择的结果以实现全局特征的学习。LGEU模型能够充分挖掘全局和局部特征的联系,有效地利用局部特征以及通道信息来帮助全局特征的学习。经过实验对比分析,证明了LGEU算法的有效性。(2)针对行人的姿态变化问题,本文受到PN-GAN算法的启发,对其进行改进,提出了去姿态变化的生成对抗网络模型PR-GAN,该模型将孪生神经网络和生成对抗网络相结合,能在线学习与行人标签有关而与姿态无关的鲁棒性特征,从而得到对行人姿态变化具有强鲁棒性的模型,并且在测试阶段也不需要额外的姿态信息。实验表明,姿态变化对行人的识别有很大的影响,去除姿态的影响之后,识别效果获得较好的提升。此外,本文提出的去姿态变化的生成对抗网络模型除了可以学习得到与行人标签有关而与姿态无关的鲁棒性特征外,还能利用生成模型生成任意姿态的行人图片。