行人再识别是智能视频监控体系中的关键技术,是针对不同视域的相机拍摄的行人图像建立匹配关系的处理过程,可以很好地增强样本间的时空关联性。目前一项新的挑战是在一些照明度不足、天气条件恶劣,如夜晚、雨雾天气等环境下,大部分模型都将很难获得具有足够表达能力的行人特征。这些问题主要是由于摄像头获取的图像被噪声所淹没,提升了有效信息的提取难度。本文主要针对含噪声图像的行人再识别问题,通过分析监控视频中图像噪声的特性,提出利用双域滤波分解构建三元组,并改进三元组度量模型的结构和损失函数,使其能够提取对噪声鲁棒的行人特征,实现噪声环境的监控视频行人再识别。本文首先研究了监控视频中的噪声对于行人再识别的影响。基于噪声的分布特性,提出了基于双域滤波分解的图像增强方法,为后续改进行人再识别模型提供理论依据。具体做法是将图像分解为低频图和高频图两个部分,根据噪声多分布于高频的特性,筛选出非噪声成分,再和低频成分叠加,最终恢复出去噪的图像,提高噪声环境下监控视频的行人再识别性能。本文然后研究了融合双域滤波分解的行人再识别三元组度量学习模型。双域滤波分解可以很好反映图像噪声的分布特性,基于它对图像噪声的分离作用,本文借鉴三元组损失的聚类能力,提出一种新的三元组构建方式。在模型训练阶段,本文利用双域滤波生成两幅分解图,再与原图一起构成三元组,用于让网络学习图像的噪声特性,并使其抑制输出特征图谱中的噪声成分,提高行人特征对于噪声的鲁棒性。在模型的测试及应用阶段,则能摆脱图像前处理去噪过程,实现端到端的提取对噪声鲁棒的行人特征,并进行行人再识别。通过在Market-1501和CUHK03数据集上进行加噪前后的对比实验,发现在噪声场景中本文方法均能取得最优性能,且相对于理想场景,Rank-1精度损失只有1.9%和7.8%,表明本文模型对噪声鲁棒,能最大程度恢复行人再识别精度。同时,本文基于所提出的行人再识别方法,设计了完整的检索系统,实现了能够满足实际应用需求的校园监控敏感目标行人再识别系统,展现了良好的实用性。