行人重识别是一种通过跨域摄像头判断出现的特定行人是否属于同一目标的技术,在智能安防、交通安全等领域得到了广泛的应用。传统行人重识别方法主要利用图像的颜色、纹理等特征信息进行识别,虽然简单快捷,但特征提取能力有限且易受外部环境的干扰。近年来,基于卷积神经网络特征提取方法的行人重识别技术得到迅猛发展,并展现出了良好的应用前景。但是在现实场景中,由于行人姿态的多样化、障碍物遮挡、图像识别率低等因素,造成了行人重识别技术的识别效果较差。因此,如何从图像中准确、有效的提取行人的特征信息是提高识别效果的重点和难点。本文基于深度学习技术,针对行人图像无遮挡和被遮挡情况的行人重识别分别开展了如下研究:（1）针对图像无遮挡情况下忽略行人部位缺乏联系的问题,提出了一种基于特征融合的行人重识别方法。该方法通过融合图像的平均池化和局部特征,建立行人身体部位之间的联系,并引入行人全局特征优化特征提取过程,从而消除图像背景噪声影响,获得更具判别能力的特征表达,进一步提高模型性能。同时,采用三元组损失和交叉熵损失联合优化模型,提高模型泛化能力。（2）针对图像存在遮挡情况下,局部特征包含遮挡区域无效信息的问题,提出了一种基于关系网络的行人重识别方法。本文利用姿态估计提取行人关键点信息,削弱背景因素的影响,并通过关系特征融合构建关键点的关系网络,保持关键点之间的内在联系。利用特征相似度度量来减少图像受遮挡部位的影响,使网络聚焦于未遮挡区域的有效信息,进而提取更具判别力的行人匹配特征。同时,采用分类损失和三元组损失联合优化模型,提高模型的鲁棒性和泛化能力。（3）基于上述方法,本文设计了行人重识别系统,实现了算法运行结果的可视化。系统通过输入待检测行人图像,直观的反馈出行人重识别的结果,验证了本文方法的有效性,满足了实际应用场景对行人重识别的需求。