近年来,行人重识别由于在行人搜索,行人跟踪和行人行为分析中的广泛应用,引起了越来越多研究者的关注。尽管研究人员已经做出了很大努力来改善行人重识别系统的性能,但是由于不同摄像设备之间的差异,同时行人外观易受穿着、光照、遮挡、姿态和视角等变化的影响,使得行人重识别技术仍存在巨大的挑战。作为智能监控系统的重要分支,研究鲁棒的行人重识别模型和算法具有很高的理论价值。本文为提升行人重识别的匹配率展开了一系列的研究,主要工作包括以下两个部分:(1)为减小不同相机视角之间因背景、光照、遮挡等变化引起的差异,提出一种基于身份一致性和不相关约束的行人重识别算法。我们首先针对不同视角下的行人图像学习字典,然后对每个视角采用不同的分类器实现行人视觉特征到身份信息空间的转换。同时,在分类时引入身份一致性和不相关约束,使不同行人之间的身份信息保持一定距离,相同行人的身份信息则尽可能接近。最后,通过行人身份信息构建相似性度量空间完成行人重识别。该算法在VIPe R,GRID,PRID2011和CUHK01四个数据集上做了对比实验,实验结果表明,相比其它算法本文所提出的经过身份信息约束之后的算法能得到更高的识别精度。(2)针对不同相机视角之间的域偏移问题,提出一种新颖的域通用和域不变字典对学习方法,用于跨视角行人重识别。具体地,基于来自同一摄像机视图的行人共享相同的域,并且同一视图中的每个行人图像所携带的域信息在短时间内具有一致性的假设,我们首先将同一视图中的行人图像分解为特定视角的域信息分量和域不变的行人外观特征分量,并开发判别字典学习模型以创建用于描述域信息分量的域通用字典和描述行人外观分量的域不变字典。此外,由于来自同一摄像机视图的图像具有域相似性,因此通过低秩正则化来细化用于表示域信息的字典。为了进一步提高学习字典的判别能力,我们在算法中作了一定的约束,即具有相同身份和视角的多幅图像的编码系数具有很强的相似性。此外,我们采用了一种新颖的扩展正则化方法解决了不同行人相似外貌特征和同一行人不同外貌特征的视觉外观歧义问题。在四个具有挑战性的数据集上进行的实验表明,我们的方法相对于某些最新方法更具有效性和优越性。