基于视频的行人重识别是视频监控工作中的一项重要任务。在已有的基于视频的行人重识别方法中,基于度量学习的视频行人重识别方法通过进一步提升原始视频特征的鉴别力,取得了一些令人欣喜的效果。然而这类方法本身也存在一些不足之处。例如:(1)不同的负样本所蕴含的鉴别信息数量是不一致的,因而对度量学习的贡献也是不相同的。然而这些基于度量学习的方法在处理不同负样本时往往未进行有效处理。(2)这些度量学习方法在训练过程中都依赖大量的有标记数据。在实际应用中,从非重叠摄像头中采集并标记出大量的行人视频数据是一项耗时耗力的工作。鉴于上述存在的这些问题,本文开展了两阶段研究工作。本文首先提出了负样本敏感度量学习方法。该方法在度量学习过程中,对所选择的负样本施加不同的惩罚因子,解决了不同负样本对度量学习贡献不一致的问题。此外,本文还提出了基于迁移学习的无监督度量学习方法。该方法将源数据集和目标数据集投影至公共子空间,并在公共子空间中学习适合目标数据集的度量模型。为了验证所提出方法的有效性,我们将提出的方法与现有的基于视频的方法进行了对比。实验结果表明,提出的负样本敏感度量学习方法能够更好地利用难分负样本中包含的有用信息,进而提升识别率。提出的基于迁移学习的无监督度量学习方法能够利用源数据集中包含的标记信息,学习适合目标数据集匹配模型。