随着监控相机在各个领域的大量普及,海量的视频信息使得传统的利用人工对监控视频进行分析的方式已经难以应对。智能视觉监控（Intelligent Visual Surveillance,IVS）利用人工智能算法可以自动的对海量视频数据进行分析,行人重识别是智能视觉监控的重要组成部分。行人重识别是指在多台相机的监控视频中检索指定行人的技术,即在给定一个监控设备下的行人图像的情况下,跨设备检索该行人图像的技术。在公共场所中,由于行人图像存在拍摄视角多变、姿态各异、分辨率低、数据样本量少、背景复杂和光照变化等特点,给行人重识别算法带来了极大的挑战。早期的行人重识别技术专注于颜色、外观、纹理和形状等,进行手工特征设计和距离度量的学习。但同一个行人不同距离、角度的图像存在较大差异,所以手工特征的设计很难应用在复杂的现实场景中。随着深度学习的快速发展和在计算机视觉领域的广泛应用,利用深度学习进行行人重识别已经成为主流。本文以深度学习技术为基础,构建行人重识别系统,具体研究内容如下:（1）针对行人视角多变的问题,提出一种多视角融合行人重识别网络。该网络以Res Net-50网络为骨架网络,引入RGA注意力模块并进行改进,将三维模型引入行人重识别网络,获取到多视角下的行人图像,以达到数据增强的目的,设计多分支特征提取网络对原始图像和数据增强生成的多角度图像进行特征提取并融合,得到包含多角度的行人特征,提高行人重识别准确度。（2）一种重排序方法。提出一种基于三维模型的重排序方法。使用三维模型技术将待查目标依次与初始排序表中每个图像进行视角和姿态的模拟,推算待查目标在排序表的候选图像角度姿态下的外观,综合计算相似度得出最终排序表。通过实验及测试结果显示本文针对行人重识别算法所遇到的问题提出的解决方案的有效性。