行人重识别（Person Re-identification）技术是计算机视觉的一个重要领域,也是智能监控系统中的一个重要环节;行人重识别通过建立不同摄像头下行人图像间的对应关系,从而实现非重叠视域不同摄像头下相同行人的自动匹配,具有很高的应用价值。随着深度学习的蓬勃发展,行人重识别技术取得了很大进展,但依然面临着严峻挑战。为了提高实际场景下的行人重识别准确率,本文用深度学习方法对该问题进行研究,并将研究重点放在特征提取网络结构设计和损失函数监督网络训练两个方面。首先,为了提高卷积神经网络提取的行人特征的表达力,提出一种名为SPFF（Spatial Pyramid Feature Fusing）的特征融合结构;该结构通过融合粗粒度全局特征和细粒度局部特征,并联合网络特征图高层语义信息和低层细节信息,从而提高特征的表达力;其次,借助所设计的局部特征分支,以及全局分支和局部分支的互补作用,降低行人图像不对齐的影响。然后,将SPFF结构引入本文构建的以Res Net50为骨干的基线网络,形成SPFF-Net模型,借助交叉熵分类损失函数进行端到端的监督训练。在Market1501数据集上的实验结果表明,融合多分支特征的SPFF-Net模型精度较基线有所提升。最后,从监督网络训练的角度,对SPFF-Net模型进行基于损失函数的优化。为了强化模型提取特征的辨别力,结合模型网络结构提出多分支多损失联合学习策略,通过在不同的分支联合分类损失和度量学习损失,使模型从不同分支对应的不同角度兼顾不同行人的类间划分和相同行人的类内差异。为了提高模型泛化能力,在训练时引入随机擦除数据增强方法,为了保证各度量学习损失分支的收敛能力,在三元组采样时使用以分支为粒度的困难样本挖掘方式。实验结果表明,优化后的SPFF-Net模型精度进一步提高,与目前已公布的一些优秀模型的对比结果表明本文最终模型的先进性。