随着深度神经网络的快速发展以及智能视频监控应用需求的不断增加,行人重识别（re-ID）在计算机视觉领域取得了越来越广泛的关注。尽管近年来行人重识别取得了可喜的进展,但行人体态多变、摄像头拍摄视角变化等等问题使得它仍然是一个具有挑战性的课题。本文在基于图像数据的基础上,利用深度学习技术对行人重识别算法进行课题研究,通过对行人重识别模型的网络结构和损失函数进行重点研究来提升模型的特征提取能力和泛化能力。本文的研究内容具体可分为三个部分:（1）从工业界应用设计的角度出发,利用图像全局特征,结合模型优化方法,设计了一个简单且有效的网络结构。具体地,首先对数据集进行了数据增强处理,随后合理运用模型优化方法对模型进一步的改进优化,在避免复杂的分支结构和特征提取的设计带来过多计算资源消耗的同时,保证了模型强有力的图像特征提取能力。（2）研究了一种新的损失函数,即基于相似标签与距离约束的损失函数（ADCSLL）。具体为在真值标签上添加距离约束,重新定义间隔距离,以提高决策边界的限制性,并在此基础上引入相似标签,使学习到的特征更加稳定和集中。此外,ADCSLL通过追求更具挑战性的训练目标,在一定程度上避免了过拟合。（3）结合前两个工作的基础,研究了一种具有良好判别性能和泛化性能的身份识别模型。为了进一步提升性能,在同一网络框架上融合了度量学习损失函数。并采取了以下两种措施来针对不同损失函数的训练机制不同导致相互抑制对方训练的情况:1.采用固定的平衡参数来对不同的损失函数加权;2.采用不同的损失函数针对捕获到的不同特征进行训练。本文所研究的课题内容分别在两个主流数据集Market-1501和Duke MTMC-re ID上进行了实验。实验结果证明,模型优化方法能够很好地提升行人重识别模型的性能;ADCSLL相比其他经典损失函数具有很强的竞争性;身份识别和度量学习的混合模型能够在一定程度上提升模型的特征提取能力。