行人重识别主要用于识别不同摄像机或同一摄像机不同帧的人,在公共安全、相册聚类、智能识人等多个领域都十分重要。尤其是安防工作中,利用当前先进技术对摄像头捕捉到的海量数据集进行自动分析为刑侦人员提供有效线索十分重要。卷积神经网络被证明对于大数据量的图像处理十分有效,因此本文研究了基于卷积神经网络的行人重识别方法,探索如何有效地提升性能。由于在真实情况中,受光线、行人姿势、行人检测器及遮挡等情况的影响,直接使用CNN提取全局特征并不能满足实际应用,因此,本文分析了目前基于局部特征的行人重识别方法,提出了一种新颖的行人内部结构距离(ISD),利用行人同一张图片中不同部件的局部距离来学习行人潜在的内部结构信息。根据ISD,在传统的分类网络上添加了一个代价极小的分支,第一次提出利用内部结构约束指导全局特征的表示学习。在目前的通用数据集上进行了实验验证,提出的方法能够对基线方法的性能进行有效提升,内部结构距离可以引导网络学到更好的表示,此外,基于ISD的分支开销很小仅需基线参数量的0.8%,但能有效加速网络收敛。此外,针对基于卷积神经网络的行人重识别任务中常用的三元组损失,提出了一个能获得更大类间距离更小类内距离的改进版三元组损失(ITLoss)。为了加快收敛,引入了批量难采样训练机制。行人重识别可以被看做排序任务或是聚类任务,因此,本文在通用数据集上评估了提出的ITLoss在这两种任务上的性能,实验说明提出的损失函数具有更好的泛化能力并且能有效提升准确性。最后,行人重排序方法是在卷积神经网络学得有效特征表示后,提升识别精度的有效步骤。因此,本文分析了目前行人重识别任务的重排序方法,提出了改进的重排序方法(Ire-ranking),在重排序的每次迭代中自动添加更多上下文信息,提出的方法能够有效找到更多匹配。此外,为了在重排序时更好利用深度特征,提出了一种特征融合方法(FFM)。通过实验,验证了两种方法都可对性能进行有效提升。特别的是,两种方法的结合可以带来更进一步的性能提升。本文对网络架构、损失函数及重排序方法三方面提出了改进,且在三个通用数据集与目前的相关方法进行了比较,证明了我们的方法可以有效提升性能。