行人重识别技术是行人追踪检索、刑侦、安防等应用领域的重要基础,在维护社会治安和构建智慧城市中有着重要作用。在行人重识别任务中,行人在摄像头下出现时间较短,造成训练数据不足,而且拍摄行人图像存在遮挡、光照变化等噪声的影响,会使行人重识别模型性能出现明显退化。本学位论文针对以上两个问题,使用视频预测模型生成数据,扩充数据集。在行人重识别模型中使用门控循环单元提取时间运动信息,引入自注意力机制提取序列具有判别力特征,提高行人重识别模型在噪声信号干扰下的稳定性。本论文提出改进的算法在图像生成质量和行人重识别模型的精度方面都有明显提高。利用生成对抗网络结合图像多尺度结构构建视频预测模型,通过现有的连续视频帧进行视频预测。针对视频预测模型的改进包含两个方面。一是通过优化生成器的损失函数,添加梯度差分损失,保证生成图像更加清晰,更加接近真实行人图像。二是针对生成对抗网络博弈训练不稳定性,添加单侧标签平滑机制,使得生成对抗网络更稳定逼近纳什平衡状态。将生成的预测图像添加到行人重识别训练集中,扩充训练数据集,弥补训练数据不足的问题。在公开数据集中验证结果显示,通过两方面的改进,图像生成质量明显提高,而且通过视频预测进行数据增强的方法可以提高行人重识别模型的准确度。在视频行人重识别的研究中,采用孪生网络结构进行模型构建,为了保证序列特征信息的完整性,在原有训练图像的基础上,添加光流图。首先使用Res Net-50对输入序列的每帧图像和对应的光流图的空间特征进行提取,然后使用循环递归单元提取序列的时间运动信息。最后为了减少遮挡、光照变化等噪声信号的影响,引入自注意力机制,利用自注意力机制融合空间特征和时间运动特征,减少冗余信息的学习,使得模型能够学习整个序列具有判别力特征。本论文使用i LIDS-VID数据集和PRID2011数据集进行验证。实验结果说明通过添加光流信息和自注意力机制能够有效的提高视频行人重识别模型的精度。