人作为众多场所及事件的主体,是各场所中智能视频监控的重点跟踪、识别对象。因此,人员重识别技术（Person Re-Identification,ReID）成为智能监控系统中重要的一项技术。然而,将人员重识别技术广泛应用到实际场景中面临着众多挑战。复杂的神经网络往往需要占用巨大的内存空间,庞大的参数量会降低重识别速度,实现实时的人员重识别任务更是难上加难。另一方面,在实际应用中,监控中移动的人总是被周围物体遮挡,加大了人员重识别难度。因此,为使人员重识别技术能够更加广泛的应用到实际生活中,本文针对模型存储空间占用大、人员图像遮挡等问题进行了下面几个方面的研究:（1）针对模型内存大、参数多的问题,本文提出一个轻量级的人体关键点检测网络,通过对MobileNet V2网络的核心模块Bottleneck进行改进提出LightBlock模块,并构建关键点检测模型LRP-Net。在训练阶段利用关键点热力图技术得到人员坐标及偏移量,并通过回归算法得到人员关键点坐标,大大降低了网络计算量。（2）针对人员重识别过程的遮挡问题,本文提出基于人体高阶语义特征的人员重识别算法。结合LRP-Net得到人体的关键点信息,利用所提出的人员重识别方法LH-ReID实现对人体高阶语义特征信息的学习。在特征对齐阶段引入亲和矩阵和PReLU激活函数完成对高阶关键点信息的匹配。实验结果表明,本文提出的模型相较于其他模型其占用的内存空间更小且重识别准确率更高。（3）将所提出的轻量级人员重识别模型LH-ReID应用在物流领域,实现了对驿站员工的重识别任务。将LH-ReID与多个常见的人员重识别模型应用于对驿站员工重识别中,并选用Rank-1、mAP、GFLOPs、FPS及参数量作为性能评价指标。实验表明,轻量级的LH-ReID大大降低了模型的参数量和运算量,加快了网络的运算速度,能够更好的适应实时的人员重识别任务。