随着自动化监控的快速发展,近年来的研究越来越关注行人再识别,监控系统的视频图像数量为海量准大数据,这不仅会带来图像传输和图像存储的巨大压力,同时对监控系统的稳定可靠运行也会有所挑战。从大量数据中人工筛选有效数据极其低效。对于计算机来说,从一张内容丰富的图像中准确地提取出行人的信息又是十分抽象的。因此,如何使计算机模拟人眼视觉并实现行人信息的提取这一话题越来越受到研究学者们的关注。在训练深度卷积神经网络模型执行行人再识别的任务时,损失函数对最终网络表现至关重要。在本文中,提出使用代表全局数据分布的新损失函数以减少分类错误。通过考虑相同标签和不同标签的数据之间相似性测量的平均值和方差,可以减少分类错误。因此,该模型可以获得更好的效果。此外,通过结合了几个已被提出的损失函数与这种新的损失功能来获得联合训练网络模型。网络可以学习相似性相同标签和不同数据之间的测量,同时标签和数据集中的每一位数据都可以有助于最终结果。本文的主要工作和贡献如下:1、针对在实现行人再识别任务的卷积神经网络进行训练时,大多数的损失函数每次仅比较一对图像,而图像特征的全局分布在这一过程中被丢失,提出一个使用全局数据分布的新损失函数以使用丢失信息,减少分类错误。2、针对在行人再识别问题中常用到的识别模型和验证模型各自具有的优点和局限性,提出将它们融合起来,共同执行行人再识别的任务,以克服两者的不足,发扬各自的优点。3、针对卷积神经网络框架的搭建,我们使用了一个以孪生神经网络为基础结构,并使用VGG16或Resnet50提取图像特征的网络,并实验了一系列超参数对实验结果的影响,并在实验中,表明深度卷积神经网络通过这个新的损失函数可以在再识别中产生与现有技术相比非常有竞争力的准确性。