近年来,行人再辨识因为其在公共安全领域的重要性而受到了越来越多的关注,它的目的是判断视野不重叠的不同摄像头采集到的行人图像是否属于同一个身份。然而,由于不同摄像头之间诸多变量,例如人体姿态,摄像头角度或者光照的变化,使得行人再辨识问题仍然没有得到解决。首先,在目前已有的行人再辨识工作中,大部分都假定行人图像是对齐了的,因此将两张图像进行特征提取后直接进行距离的计算。然而事实上由于自动检测算法的问题,行人图像之间并不是完全对齐的。而特征对齐在行人再辨识任务中其实有着非常重要的地位,完成特征对齐后能使得识别的准确率得到提高。其次,目前的绝大部分针对行人再辨识任务设计的方法都将计算得到的初始排序列表作为最终的最优结果,这显然是有些欠考虑的。一般来说,初始列表都是次优的,其中还有一些潜在的信息可以挖掘出来进一步的优化初始排序列表,从而得到一个更加精确的结果。本文主要是基于深度学习的特征对齐方法以及重排序方法进行了研究,主要完成的工作如下:(1)本文引入了姿态估计模型来检测关键点,通过检测到的关键点分割出人体的局部部分,分别利用局部部分进行训练,学习到局部的有判别性的特征,然后将局部特征连接起来,从而达到局部特征对齐的结果。最终将全局信息和局部信息结合起来,通过它们互补的性质,从而提高提取到的特征的鲁棒性和泛化能力。(2)本文提出了一种新颖的基于时空信息的重排序算法,不同于已有的重排序算法,本文通过在重排序阶段引入时空信息,将其作为辅助信息用以优化初始排序列表。本文提出的重排序算法不需要任何人为的反馈,并且仅仅需要很容易被存储在图片名字中的时空信息,所以本文提出的重排序算法可以实行到任意的基准方法上去提升性能。(3)针对本文所提出的网络框架和重排序算法,本文在多个数据集上完成了实验,并与一些现有方法进行了对比,从而证明了本文所提出的框架和算法的性能。