随着智能安防设备的不断发展,智能监控摄像头在公众场所得到了越来越多的应用,基于监控摄像头的智能视频监控系统研究领域在迅速地成长。行人重识别作为近年来比较火热的研究方向,在计算机视觉领域和智能视频监控领域都受到了广泛的关注。2012年以来,深度学习取得了重大的进展,在图像检测和分类的各个分支都得到了应用。通过引入深度学习理念,行人重识别也迎来了新的进展。现有的行人重识别模型,都是基于对监控视频进行预处理得到的行人图像,这需要大量的准备工作。针对现实场景,单独的行人重识别模型并不能满足应用需求,因此结合行人检测与行人重识别具有很大的研究价值。同时,目前的行人重识别主要基于行人的整体特征,局部特征提取有所遗漏,识别性能受到一定的限制。本文的主要研究工作和贡献如下:首先,对行人检测主流框架的实现原理和基本架构进行了研究和性能的测试,对比。本文对one-stage或two-stage检测算法进行了研究,并对其中两个具有代表性的框架Faster Region Convolutional Neural Net Work（Faster R-CNN）和Single Shot Detection（SSD）框架进行了更为深入的研究,测试和比较,根据测试的结果选择SSD检测框架作为智能监控行人重识别系统的视频预处理模块。其次,对基于多尺度特征的行人重识别进行了研究。本文针对行人局部特征难以捕捉的问题,提出了基于多尺度特征的行人重识别研究方法Whole Net,通过引入深度可分离卷积对传统卷积层进行改进,形成新型卷积层,降低参数数量。在残差网络的瓶颈块基础上引入统一聚合门来进行动态尺度融合,以及引入新型卷积层,组成多尺度特征残差块,通过叠加多尺度残差块构建Whole Net。随后在主流行人重识别数据集上对Whole Net和其他行人重识别方法进行性能的测试与比较,测试结果证明Whole Net方法优于其他方法。最后,对智能视频监控行人重识别系统进行了设计与实现。首先对系统进行需求分析,根据需求对系统的整体架构进行了设计,随后依据系统的整体架构设计对系统各个模块进行实现。在系统构建完成后,对系统的准确性和实时性进行了评估,并且对系统进行了现实场景的验证。结果证明系统实时性和准确性能够满足日常使用要求。