随着深度学习的快速发展和行人重识别在视频监控、自动驾驶和公共安全等领域的广泛应用,基于深度网络的行人重识别已成为计算机视觉领域的研究热点。由于行人重识别始终存在遮挡,姿势和视角变化的问题,通过多分支网络学习全面、鲁棒且具有辨别力的特征表示是解决这些问题的新的研究方向。本文从损失函数和网络结构两个方面开展基于多分支网络的行人重识别方法研究。主要完成以下三个工作:1.改进行人重识别的多损失融合方法。传统多损失融合方法中的三元组损失在度量空间仅扩大类间相对距离,而忽略类间的绝对距离。针对传统多损失融合方法中的存在问题,提出中心损失改进的多损失融合方法。新方法弥补了三元组损失忽略类间的绝对距离的问题,同时通过中心损失的聚类效果进一步提升所提特征的辨别力。本工作在Market1501数据集进行实验验证。实验表明,所提出的方法与传统多损失融合方法相比提高了模型的分类精度。2.改进多损失在批特征消除网络中的瓶颈结构。批特征消除网络中分支具有不同特性,多个损失函数在训练时又彼此干扰,因此找到适合不同分支的损失函数和瓶颈结构至关重要。针对这个问题,本文在提出使用中心损失和BNNeck瓶颈结构改进批特征消除网络,并探索了BNNeck结构和中心损失对多分支网络不同分支的影响。BNNeck结构分离损失到不同且合适的特征空间,让三元组损失和Softmax损失可以互不干扰的收敛,中心损失进一步提升了模型的判别力。本工作在Market1501数据集,CUHK03数据集以及DukeMTMC数据集进行验证。实验结果表明,所提出的方法与批特征消除网络相比提升了模型的鲁棒性和分类精度。3.提出具有更全面和判别性特征的多分支网络结构。针对传统网络结构提取的行人特征只包含整体信息,而忽略了局部细粒度信息的问题,本文提出结合特征消除网络和多粒度网络的分支来提取局部的细粒度特征。该网络既包含批特征消除分支提取的行人边缘信息特征,又通过多粒度网络的分支提取不同粒度的局部特征,结合两分支所提取的局部特征信息和和全局分支提取的整体特征信息,最终获得更全面、更鲁棒、更具有辨别力的特征表示。本工作在Market1501数据集进行验证,实验结果表明所提出的方法具有更好的性能。