近年来,随着社会智能化进程的不断加速,商场、车站等流量密集场所的社会公共安全问题日益凸显。针对此类安全问题,智能视频监控系统在其中发挥了至关重要的作用。为了能在大量的视频数据中快速准确地找到目标行人,减轻监控人员的工作量,行人重识别逐渐成为计算机视觉领域的研究热点。行人重识别是在多个非必要重叠区域的监控摄像头拍摄的视频中,找到与目标行人特征最相似的行人图片并进行排序,通常可以看作图像检索的子任务。本文针对行人重识别任务中的特征提取与距离度量的角度展开了研究,主要工作和创新点如下:（1）分析行人重识别在实际生活中的应用价值以及存在的困难,简述基于传统方法的行人重识别算法与基于深度学习的行人重识别算法的发展历程,根据研究角度的不同对行人重识别算法进行分类研究并纵向比较其算法的优缺点。（2）研究基于深度学习的行人重识别算法的原理,根据特征提取网络在数据集中提取的特征单一且辨别性弱的特点,提出一种基于多分支网络的行人重识别算法。该算法分别提取数据集中描述人体关键点与行人外貌属性的特征向量,并且设计硬三元损失函数与交叉熵损失函数相结合的联合损失函数进行距离度量,减小相同行人特征向量的类内距离,增大不同行人特征向量的类间距离,进而提高特征向量的辨别度。在公开数据集MARS,Duke MTMC-Video Re ID上进行训练与测试,与主流行人重识别算法相比,本文设计的基于多分支的行人重识别算法在平均精度方面分别提升了0.5%和0.7%。（3）以基于多分支的行人重识别算法为基础,在基础特征提取网络上增加空间-通道注意力机制,将注意力机制模块与特征提取网络中的残差模块相结合,使用注意力机制替换掉残差模块中最后的Re LU层,提升网络对感兴趣区域的关注,削弱背景等复杂信息的干扰,将网络的计算资源集中在能够提供有效信息的部分,减小网络的计算量。本文在公开数据集MARS,Duke MTMC-Video Re ID上进行实验。实验表明,在基于多分支网络的行人重识别算法上增加注意力机制模块后比未增加注意力机制的算法在平均精度上分别提升了1.3%和1.5%。