为了构建平安和谐社会,人们对于社会安全和公共安全的需求日益增加,商场、校园等公共场所一般都部署了大量监控设备。但是依赖人工方式对海量视频中的人群行为进行分析十分困难,行人重识别作为视频监控智能化领域的关键技术受到了越来越多的关注。现有的行人重识别方式均假设所处理的行人图像具有统一的和较高的分辨率,但在实际应用中,由于摄像头的位置与拍照角度都不受限制,所拍摄的行人图片往往具有不同的分辨率,将跨分辨率的行人图片直接进行匹配会对人员的重识别造成负面影响。本文引入了基于双重残差注意力网络的图像超分辨（Super-Resolution,SR）算法,提出了基于图像超分辨重构算法的行人重识别技术,并且针对现有超分辨重构方法中存在的不适定问题提出了解决方案,最后设计了跨分辨率行人重识别监控系统。本文的主要工作分为以下三部分:本文提出了基于双重残差注意力网络（Dual Residual Attention Network,DRAN）的图像超分辨率重构算法,DRAN模型中原始网络负责将低分辨率（Low Resolution,LR）图像重建为高分辨率（High Resolution,HR）图像,对偶回归网络负责估计降采样核和重建LR图像,通过对LR数据引入附加约束来减少可能的函数空间。实验结果验证了DRAN模型比VDSR、EDSR和SRGAN等现有算法具有更佳的峰值信噪比（Peak Signal to Noise Ratio,PSNR）和结构相似性（Structural Similarity,SSIM）。针对行人重识别领域存在的行人分辨率不匹配问题,通过引入双重残差注意力网络,将低分辨率的行人图像进行超分辨率重构,恢复低分辨率图像丢失的身份细节信息,提高后续行人重识别的判别精度。在多个公开数据集上验证算法,结果表明引入超分辨重构模块能够明显提升行人重识别的准确率。与其他算法相比,本文提出的算法具有更高的识别精度。为了验证基于图像超分辨重构的行人重识别技术,本文设计了跨分辨率行人重识别监控系统。系统将行人检测与行人重识别相结合,对分辨率较低的行人图像进行超分辨率重构处理,实现了跨摄像头之间的行人检索与匹配,而且达到了较高的重识别精度。在不同场景下对系统进行实际测试,验证了系统的有效性。