视频监控在智能交通、个人行为识别、群体行为分析、商场和社区的安全监控、犯罪嫌疑人跟踪等领域有着广泛的应用。由于视频监控的场景大、背景复杂、光线条件差,很难提取到人脸等有效特征,要想在视频中查找某个人,主要还需要依靠人力检查。这种操作方式效率低下,漏检率高。所以,将智能科学与图像处理结合起来,实现自动查找,具有重要意义。本文利用了最为典型的两种生物视觉模型:脉冲神经网络和卷积神经网络。在设计新的识别模型中,利用脉冲神经网络中的神经元间通过脉冲交换信息的机制,调整神经元脉冲产生的电压阈值可以过滤一些非关键信息。根据生物视觉系统中感受野模型和分层原理构建出来的卷积神经网络模型,被用来自动提取出数据集的最有效的特征。脉冲神经网络和卷积神经网络都采用目前飞速发展的GPU并行计算技术来实现。在行人识别领域,最为常见的一种应用是根据抓拍到含有某个人的图像,在不同的摄像头的视频中进行查找。如果待查找行人已有较多不同场合的相片包含在训练集中,可通过分类识别技术来解决。如果待查找行人的其他场合相片很少甚至没有包含在训练集中,则可以通过行人重识别技术来解决。本文对行人识别的分类问题和重识别问题都做了研究。对于分类问题,本文提出基于脉冲神经网络提取gabor纹理特征的模型,根据生物视觉系统的简单细胞感受野模型和脉冲神经网络基本原理,提取纹理特征,在步态数据集CASIA Dataset A的0角度图片上进行了测试,识别率比使用gabor特征的识别率高。我们制作了一个多摄像头视频数据集,在不同的场景下和不同的光照条件下拍摄不同的行人,并提出基于生物视觉模型的多通道行人识别算法。该算法通过颜色特征、纹理特征和角度直方图特征进行行人查找,在多摄像头视频数据集上做了测试。论文对不同的效果进行了分析,实验结果验证了该算法的有效性。对于行人重识别中的检索问题,本文提出深度行人多部位多核度量网络,该网络由深度学习模型和度量学习两个部分组成。深度学习模型学习行人的局部特征和全局特征,度量学习对行人的特征进行空间变换,缩小同一个人的特征在新的空间里的距离。与改进了损失函数的多部位triplet模型和基于人工特征的多核典型相关分析的实验结果相比,该网络模型在VIPeR上的top-1准确率高出2.96%和2.91%,在PRID上的top-1准确率高出8.1%和3.4%。该网络可扩展性强,可以根据具体的问题,设计新的深度学习模型,也可以使用不同的核函数或者其它度量机制。在深度行人多部位多核度量网络模型的基础上,本文对深度学习模型进行了改进,设计了深度多部位stn-triplet网络,将空间变换网络加入到深度学习模型中,并对模型分支进行简化,增加了采样层,使用采样策略来减少损失层的输入组合,加快了网络训练的速度,在VIPeR和GRID上的top-1准确率分别提升了3.07%和0.48%。本文还提出深度多属性quadruplet网络。设计了一个四个输入的quadruplet网络,替代深度行人多部位多核度量网络中的triplet网络,用来提取行人属性特征,缩小同一个行人同一种属性特征间的距离。与采用属性分类方法的实验结果相比,该网络在VIPeR和GRID上的top-1准确率分别提升了28.52%和5.28%。