行人再识别旨在完成非重叠视域下图像或者视频序列中的特定行人匹配。但是现实场景中,摄像机视角、分辨率、遮挡、光照以及复杂背景等多种因素,会降低行人再识别算法所提取行人特征的鲁棒性,导致识别精度无法满足应用需求。为解决上述问题,本文围绕基于残差网络的行人再识别方法展开研究,具体工作如下:提出一种基于通道注意力机制的行人再识别方法,增强特征判别力和模型泛化能力。以SCPNet网络模型为基础,首先,将通道注意力机制SE模块嵌入骨干网络Res Net50中,对关键特征信息进行加权强化;其次,采用动态激活函数根据输入特征动态调整Re LU的参数,增强网络模型的非线性表达能力;最后,将梯度中心化算法引入Adam优化器,提升网络模型的训练速度和泛化能力。在Market1501、Duke MTMC-ReID和CUHK03数据集上进行性能评估,Rank-1分别提升2.17%、2.38%和3.50%,mAP分别提升3.07%、3.39%和4.14%。提出一种基于特征关联和多损失融合的行人再识别方法,降低遮挡区域噪声干扰。以PGFA网络模型为基础,首先,利用姿态估计器生成的人体关键点作为辅助信息,引导模型关注行人图像未被遮挡区域,提取姿态引导的全局特征;其次,引入全局对比池化模块,将平均池化和最大池化的特性进行融合,提取对背景噪声和遮挡抗干扰性更强的全局特征;然后,引入One-vs-rest关系模块,挖掘局部分块特征的内在关系,提取能够反映图像整体信息的局部特征;最后,加权融合交叉熵损失、难样本采样三元组损失和中心损失三种损失函数,监督模型学习类间距离大、类内距离小的行人特征。在Occluded-Duke MTMC数据集上进行性能评估,Rank-1和mAP分别达到54.9%和41.5%。提出一种基于颜色空间转换和轻量级网络的行人再识别方法,缩小异质模态间差距。以AGW网络模型为基础,首先,将可见光图像转换到HSV颜色空间,提取只描述图像明暗信息的V分量,并将其复制扩展为三通道图像,降低对颜色信息的依赖;其次,通过轻量级模态生成器对三通道图像进行降维和升维,生成介于可见光和红外图像的中间模态,缩小模态间差异;最后,将三种模态作为输入,通过权重共享的特征学习器来学习跨模态信息。在SYSU-MM01和Reg DB数据集上进行性能评估,Rank-1分别提升6.67%和1.18%,mAP分别提升6.47%和1.15%,m INP分别提升5.59%和0.42%。在软件实现方面,以Pytorch为深度学习框架,利用PyQT5进行界面设计,编程实现了基于残差网络的行人再识别软件,并利用真实场景下采集的数据进行验证测试。