随着世界各国对安防领域的投入节节攀升,预计到2021年全球监控摄像头数量会超过10亿只,每个城市一般都遍布数十万只摄像头。面临每天产生的海量视频图像数据,仅使用人工搜索的方式来寻找特定目标行人是极端低效的。因此,迫切需要一种计算机智能视觉系统,帮助工作人员自动而快速地完成搜寻目标行人的任务。在此情况下,行人重识别这一致力于匹配不同摄像头下的行人身份的计算机视觉任务应运而生。深度学习在计算机视觉领域大放异彩,行人重识别也利用了深度学习在表征能力上的优势实现了迅速发展,但是由于行人图像存在光照、姿态、视角等众多的干扰因素,仍然有许多问题有待解决。并且,在实际场景中,监控画面捕捉到的行人有时候被物体遮挡了一部分,给行人重识别任务带来了更加严峻的挑战。本文利用深度学习,围绕行人重识别在图像质量差异以及遮挡方面存在的挑战,提出两个网络模型,为深度行人特征提供有效的补充信息以增强其鲁棒性,促进了行人重识别性能的提升。本文主要研究工作如下:（1）针对行人图像质量不一致问题,提出了一种低分辨率辅助网络（Low Resolution Assisted Network,LRAN）来提取和融合深度行人特征。首先,建立一个三分支网络,分别以原始RGB图像、灰度图像和低分辨率图像作为输入。然后,将网络输出的原始RGB图像、灰度图像和低分辨率图像的特征串联起来作为最终的深度行人特征。在测试阶段,利用串联特征作为行人图像的最终表示来计算行人之间的相似度。由于低分辨率图像与灰度图像为原始特征补充了重要的先验信息,本方法在几个通用行人数据集上的实验获得了良好的表现。（2）针对完整行人图像与部分行人图像之间的特征分布不一致,提出了一种全局相关性知识蒸馏（Global Relational Knowledge Distillation,GRKD）方法,迫使部分行人网络的输出去模拟完整行人网络的输出。经过反向传播训练,隐藏的全局相关性知识可以自然地从完整行人网络迁移到部分行人网络,从而为部分行人特征补充了原本不具有的全局相关性信息,部分行人与完整行人的特征空间趋于一致,在它们之间进行相似度计算就变得容易。在部分行人数据集上的实验表明经过信息补充后的部分行人特征能获得更高的检索准确率。