目标重识别目前集中在行人重识别和车辆重识别方向,用作检索固定目标在其它摄像机或该摄像机下的相似目标,并按照相似性排序,是跨摄像机追踪系统主要的组成部分之一。随着算力的飞速发展和亟需解决的应用安全问题,目标重识别技术主要与目标检测、目标跟踪技术搭配使用,在公共安全、智慧校园、视频监控、智能交通和城市计算等领域具有普遍的应用需求。由于采集装备差,安装在不同位置上的摄像机拍摄的图片质量参差不齐,还有目标各角度特征不同等因素的干扰,目标重识别自身存在的挑战很多,这给研究者们带来多重困难,在方法设计上也衍生出了针对不同干扰项新颖的解决办法。根据目标类别,目标重识别主要有行人和车辆两个重要类别研究。论文针对行人存在遮挡和姿势变化问题,研究设计了基于多尺度批量特征丢弃网络模型实现复杂环境下行人重识别,同时针对车辆重识别任务面临类间差异小和识别率低的问题,提出了一种基于部件解析随机擦除和注意力融合的推理网络。实验结果表明,针对行人和车辆问题提出的算法在主流数据集上超越了大多数算法,达到了较为先进的水平。针对行人重识别任务,为了解决行人重识别存在的遮挡和姿势变化问题以及目前网络识别率低的缺陷。提出了不同空间维度的多分支行人重识别网络模型,首先利用IBN-Net50-a为基础骨干网络提取特征。然后对最后两层卷积层融合批量特征丢弃方法,以增强局部区域专注特征学习。最后拼接不同维度的特征,能够包含更多浅层、深层的有用信息。训练时,采用三元组损失和标签平滑损失联合策略。使用三个常用的基准数据集Market1501,Duke MTMC-re ID和CUHK03进行实验验证,并按照主流策略划分数据集。实验结果表明,所提方法在特征映射方面很强大,获得了不错的行人重识别精度。针对车辆重识别任务,虽然近年来的方法通过从关键点或零件边界框学习详细特征取得了很大的改进,但车辆重识别问题仍远未得到解决。因此提出了一种用于车辆重识别的部件解析随机擦除和注意力融合的推理网络,该网络选择嵌入了IBN层的Res Net50网络作为特征映射的基础网络,使用部件解析随机擦除方法对输入训练的车辆图片进行数据增强,加强网络的鲁棒性,并融合了Non-local注意力机制,能够得到原图上更多的细节,为后面的层带去更丰富的信息。训练时,采用三元组损失和标签平滑损失函数联合策略。广泛的实验结果表明,所提方法在Ve Ri、Vehicle ID和VERI-Wild数据集上获得了良好的性能,这表明了该方法的有效性和通用性。