随着社会经济的高速发展,人们对人身安全与财产安全的要求日渐提高。安防系统得到了人们的重视,随之而来的便是监控设备的普及。监控设备数目的大量增加使得监控视频的数据量变得日益庞大,仅仅依靠传统的人工处理监控数据的方式已经远远不能满足需要,因此智能视频监控技术迅速成为一个研究热点,将计算机视觉与监控技术相结合的智能监控系统成为一个重要的研究应用方向,其中行人重识别由于其重要研究的意义与广泛的应用场景得到了人们的重视。近年来,随着大规模的数据集的诞生以及能够充分利用这样的数据集的深度学习系统的出现,基于深度学习的目标检测与跟踪算法取得了较好的成果。但在跨多摄像头视野的情景下,对特定目标进行检索识别的效果依然有待提升。行人重识别主要关注于判断给定的两个行人图像是否属于同一行人,其中给定的行人图像是已经从场景中人工标注裁取好的。目前多数学者依旧将目标检测与行人重识别作为计算机视觉领域中互相独立的问题,将两者结合应用的方法尚未普及,所以在监控场景图像中识别特定行人可以分为两步来做,即行人检测过程与行人重识别过程。本文在研究常用目标检测算法和行人重识别算法的基础上,提出一种基于监控场景的端到端的行人重识别方法。本文将此问题作为一个序列模型处理,利用行人检测指引行人重识别的思想,将循环神经网络与注意力机制结合来进行目标行人检索识别,能够减少单次循环时所需要处理的计算量;然后使用ResNet网络提取图像特征,将提取好的目标行人的特征信息加入长短期记忆网络,用于指引注意力模型的在监控场景图像中的关注区域,最后结合多次从场景图像中观察所得到的信息,推论出场景图像中与目标行人最相似的目标,进行特征距离计算与排序。本文加强了行人检测与行人重识别之间的联系,减少了模型之间的误差。由于减少了与目标行人进行重识别匹配的候选行人的数量,所以本文算法能以更小的计算量完成行人重识别任务。本文还通过将多种行人检测方法与行人重识别方法结合来研究行人检测效果对行人重识别的影响。在多个行人重识别数据集上的测试实验,证明了本文算法的有效性。