随着计算机视觉技术以及人工智能的不断发展,行人重识别作为智能监控系统中一项重要的基础性技术已经取得了巨大的进展,并且得到了学术界和工业界的广泛关注。如何有效提高行人重识别的性能进而提升视频监控的智能化水平具有重要的研究价值。针对这一问题,本文以基于深度学习的行人重识别为研究课题,从损失函数和特征融合两个方面研究如何提升行人重识别的性能。本文主要研究内容包括以下三个部分:（1）探究了不同损失函数在行人重识别中的性能。行人重识别根据使用损失函数的不同可以看作是分类任务或者检索任务。在行人重识别单约束学习模型中网络只进行分类任务学习或者检索任务学习,而多约束学习模型则在网络训练中同时进行分类任务和检索任务学习。本文在单约束学习模型中分别探究了分类损失Softmax loss、A-Softmax loss、Arc Face和检索损失Triplet loss的性能。在多约束学习模型中探究了Triplet loss分别与Softmax loss、A-Softmax loss、Arc Face联合的性能。（2）提出了一种改进的三元组损失函数。在行人重识别中原始的三元组损失函数在增大类间距离的同时,并没有很好地优化类内距离。针对这一问题,通过在原始三元组损失函数中引入一项类内与类间距离的比例,使改进后的三元组损失函数在增大类间离散性的同时也增强了类内的紧密性,学习出来的特征更具判别性。基于改进后的三元组损失函数提出了一种基于全局特征的行人重识别模型,通过改进训练方法进一步提升了模型的性能。（3）提出了一种特征融合的行人重识别算法。将全局特征和局部特征进行融合是提高行人重识别模型性能的一种有效方法。在当前基于特征融合的行人重识别算法中只考虑了水平方向的局部特征,并未考虑竖直方向的局部特征,且忽视了局部特征维度大小对模型性能的影响。因此,本文提出了一种新的网络结构,在水平方向和竖直方向分别提取图像的局部特征,并通过对局部特征设置一个合适的维度来进一步提升网络的性能。本文对不同损失函数的探究对于在行人重识别中如何选取合适的损失函数来监督网络训练具有一定的参考意义,提出的改进三元组损失函数和特征融合的行人重识别算法有效提高了行人重识别性能,具有一定的实际应用价值。