行人重识别是进行跨视频监控设备行人检索的重要过程,其核心思想是提取行人特征并进行相似性度量。行人重识别技术在追踪犯罪人员,寻找失踪人口,建立新型智慧商场等方面有着重要意义。在远距离公共监控场景下,行人脸部特征难以捕捉,所以行人重识别研究主要关注行人的身体特征。目前,对行人特征提取的研究多采用卷积神经网络提取单帧行人图像的衣服颜色和样式等外观特征,但这些外观特征在不同时间地点的监控视频中容易发生变化,可靠性不强。除此之外,三维卷积和循环神经网络被用来提取行人时空特征,但难以在小样本数据集中的跨视角情况下取得较好的效果。相较于传统的卷积或循环神经网络,脉冲神经网络因其自身较强的生物可解释性和低功耗等优势被普遍认为具有较强的理论研究价值和应用潜力。为了有效提取行人的时空特征,本文深入研究了脉冲神经网络在行人重识别中的应用问题。因此,本文提出了基于脉冲神经网络的行人重识别研究方法,通过使用对时空特性敏感的脉冲信号来表征行人更具辨识性的步态这一时空特征,进而提出了基于多级脉冲特征集融合的网络模型（Multi-level Spiking Set-based feature Fusion,MSSF）来提高基于视频序列学习的行人重识别准确率。首先针对提取行人视频序列图像的时空特征困难的问题,通过使用脉冲卷积提取不同感受野下的行人局部空间的脉冲特征,并在此基础上提取了基于脉冲特征集的全局时空脉冲特征,通过统计学特性将局部脉冲特征映射为具有全局行人属性的脉冲特征集特征,并将不同深度级别下的脉冲特征集进行融合,提高了时空脉冲特征的表征能力。同时针对小样本视频序列学习出的行人特征在不同个体间的区分度较低,从而导致重识别准确率较低的问题,本文通过水平金字塔映射将局部空间维度的脉冲特征和全局时空维度的脉冲特征集这两类混合脉冲特征映射至更具区分度的特征空间,并使用联合损失函数进行时空反向传播,以提高模型识别的准确率。最后,本文进行了大量实验仿真,从脉冲特征可视化、消融实验、参数研究、综合比较等方面充分验证了MSSF模型在步态特征提取上的有效性和优越性,其中在跨视角重识别的126°下rank-1准确率最高,达到了71.2%,相较传统方法提升了4.4%。