随着视频监控网络的广泛部署,行人再识别技术作为智能视频监控系统中的关键一环,已成为计算机视觉和多媒体分析等领域的热门研究方向。行人再识别技术的目标是判断不同监控摄像头下捕获到的不同行人图像是否具有相同的身份,该技术能在海量的跨摄像头视频监控数据中对目标行人进行快速有效地查找。近几年,研究人员对该问题进行了广泛的探索,并提出了一些行之有效的解决方案,但是这些方法仍然存在着一些缺陷,例如（1）算法依赖大量的标注数据。目前大多数的行人再识别算法都是基于强监督学习,这意味着模型在训练过程中需要大量的人工标注的行人图像数据,然而在实际的视频监控网络中,由于监控场景复杂,自动行人检测、追踪算法得到的行人图像、轨迹将引入大量的噪声样本,并且精确的跨相机行人图像身份标注需要耗费大量的人力物力,导致模型学习过程中无法充分地利用监控视频数据,这在很大程度上限制了行人再识别技术的推广与应用;（2）行人再识别模型在受到攻击者的恶意攻击后表现十分不可靠。尽管基于深度神经网络的行人再识别算法在公共数据集上取得了良好的识别表现,但是研究发现,当这些模型在受到恶意攻击时,识别表现将大大下降,甚至不再有效,这使得算法在实际应用中存在很大的安全隐患。现存的行人再识别算法中存在的这些缺陷使得监控视频中的行人再识别仍然是一个十分具有挑战性的任务。本文从这些实际的问题出发,对行人再识别任务进行了系统深入的研究,并提出了两种基于有限标注数据的（弱/无监督）行人再识别算法,提出的方法在保障识别表现的同时有效地减少了模型对行人图像的标注需求。此外,本文提出了一种有效的对抗攻击检测方法,可以成功地将对抗样本与良性样本区分开来,以提升行人再识别模型在恶意攻击下的安全性,实现模型的对抗防御。本文主要研究内容和创新如下:1.基于多示例感知学习的弱监督行人再识别为了降低监控视频中不可靠的行人检测或追踪结果对于模型训练所造成的影响,并实现监控视频中的粗粒度行人再识别任务,即判断目标行人是否出现在了一段视频中,本文提出了一种基于多示例感知学习的弱监督行人再识别方法。该方法首先将监控视频中行人再识别任务转化为多示例学习问题,并在此基础上提出一种公共行人身份感知机制来挖掘行人监控视频之间的相似性关系。最终,利用视频标签作为监督信号（弱监督）,通过联合优化多示例学习损失函数与公共行人身份感知损失函数从监控视频中学习行人再识别模型。本文所提出的弱监督行人再识别方法在保证了识别表现的基础上,不仅在很大程度上减少了监控视频标注的代价,并且对于噪声样本具有较强的鲁棒性。2.基于跨相机匹配一致性的无监督行人再识别为了进一步解决行人再识别模型训练过程中对于标注样本需求的问题,本文提出了一种基于跨相机匹配一致性的无监督行人再识别方法。提出的方法使用最近邻算法来探索每个监控相机内捕获到的行人图像之间的身份关系,并在此基础上引入全局网络一致性约束条件来挖掘相机之间匹配的行人图像对,进而使用获得的行人图像对来学习跨相机距离度量模型,最后通过交替地进行跨相机匹配行人图像挖掘与距离度量模型优化,学习到可靠的跨相机距离度量模型实现行人再识别。本文提出的无监督行人再识别方法取消了模型训练过程中对行人身份标注数据的需求,并取得了较为可靠的识别表现。3.基于多专家对抗攻击检测的行人再识别模型防御本文通过实证研究发现:（1）比起良性查询样本（正常的行人图像）,对抗查询样本（被攻击过的行人图像）与其在行人再识别模型下检索到的前K个近邻样本之间有着更低的相似性;（2）比起良性查询样本,对抗查询样本在行人再识别模型下检索到的前K个近邻样本之间有着更低的相似性;（3）良性查询样本在经过多个不同的行人再识别模型后检索到的前K个近邻样本之间具有更高的重复性,而对抗查询样本在不同行人再识别模型下检索到的结果十分混乱。基于以上的发现,本文提出了一种基于上下文不一致性的多专家对抗攻击检测算法,使用多个具有不同网络结构的行人再识别模型作为多专家模型,通过检查上下文不一致性信息来推断查询样本是良性样本还是对抗样本。本文提出的多专家对抗攻击检测算法能够有效地检测出多种不同的对抗攻击对行人再识别模型的干扰,有助于提升行人再识别模型在实际应用中的安全性,实现行人再识别模型的对抗防御。