无重叠视域的监控系统被广泛应用于各个大小型的公共场所中,对于日常人流量大的公共区域如:商场、医院、公园、火车站以及机场等,公共安全的监测十分重要。在无重叠视域的监控系统下,由于行人图像包含视角变化、光照变化、复杂背景以及遮挡,这些复杂情境加大了行人再识别的困难。本文基于现有的行人再识别研究背景下,对经典的再识别算法进行研究分析,并且进一步探索在不同应用场景下的行人再识别。本文主要进行了以下研究:首先,综合叙述了前人的研究现状。常用的行人再识别一般被分为两类:一类是利用提取行人的代表性特征来对行人进行再识别,另一类就是通过度量的学习来行人再识别。分别对每一类的多种方法描述数学释义和算法过程,并对其中较有效的方法进行详细解释。然后,在此基础上,研究分析了集合与集合之间的距离的计算方法。通过对比几种不同的方法,选取最具代表性的集合距离计算方法。结合选取的集合距离计算方法以及度量学习算法,得到一个集合间度量学习的行人再识别方法。最后,本文通过将行人序列(即集合)作为处理元素,提出了一个监控系统下行人再识别的新方法。度量选取相对距离比较方法(RDC),在此基础上扩展,学习得到集合间相对距离比较方法。这个方法结合了外貌特征将行人再识别问题转化成了集合间的距离学习问题。我们将我们的方法与现有的较好的算法在NLPR_MCT数据集和i-LIDS MCTS数据集上进行比较,实验结果表明我们的方法具有更突出的表现,不但提高了匹配率,也消除了一些错误匹配,同时还具有可推广性。