行人再识别主要应用在公共安全领域,目的是跨场景对同一个人物检测识别并且与已知行人库匹配。一套高效、准确的行人再识别算法将帮助相关人员更好通过现有的视频监控系统查询目标人物。行人再识别主要解决的问题是不同区域背景下的行人检索和定位。研究难点包含:行人在对比识别时无法较好的对齐,图像中存在较多噪音区域,而且现在实际能获取的数据集都是从摄像头提取出的视频段,其由一系列连续帧的行人图像组成,每张图片间存在着相关性且数量巨大,在对这些数据集处理时会消耗非常多的资源。针对上述这些问题,本文主要从以下几个方面解决。首先提出一种基于区域对齐的行人再识别方法,通过人头检测定位行人,并对图像进行分割处理,引入深度学习对图像提取特征,通过Softmax计算行人的识别率。解决行人再识别因未对齐和图像存在噪音而导致准确率低的问题。（1）设计出一种人头检测模型,能够以头部为基准定位行人所在的图像中的区域。（2）基于resnet-50网络构造出特征提取网络,用于获取输入的行人整体特征向量。（3）设计一种分割网络,对提取的整体特征进行分割成局部特征并且进一步的卷积用于训练。（4）将整体特征和局部特征组合起来作为行人的身份特征使用softmax损失函数进行训练。通过实验得出该行人再识别方法在Market1501行人再识别数据集上训练并测试的Rank1准确率能够达到93.8%,识别效果优于目前表现较好的基于姿态分割的行人再识别。然后为了处理基于视频行人再识别研究中的庞大的数据集,由于该数据集是由一系列连续帧的行人图像组成,每张图片间存在着相关性,在基于视频特征聚合的行人再识别研究中,传统方法在图像聚合过程中因使用平均权重处理且行人特征空间不对齐而使得最终聚合的图像辨识度弱,导致出现识别准确率低下的问题,针对这个问题本文提出了一种基于长距离注意力机制的特征聚合视频行人再识别方法。（1）设计出了一个视频行人再识别网络,包括图像特征提取器,时间建模方法,用于训练的损失函数。（2）将视频数据集裁剪为固定帧数的片段,随机提取行人的片段作为网络的输入,能最大化的利用所有的数据。（3）使用长距离注意力机制建模,扩大模型在图像上的感受野,使模型能注意到更多的信息。（4）模型将连续帧作为输入,在分类层的前一层作为行人的片段特征输出,使用softmax函数和triplet函数联合训练网络。实验表明,长距离注意力机制能够在图像上计算任意位置之间的交互依赖,而不局限在相邻点,因此在随着时间行人开始偏移时能可以维持更多的信息,以解决在特征融合过程中空间对齐的问题。本文方法在视频行人数据集MARS下,本文的R-1能打到84.8%,相较于平均时间池化方法提升了5%,相较于以前的注意力加权平均池化方法提升了1.5%。结果证明了本文的方法能有效的解决视频行人再识别中解决时间连续性和空间对齐的问题。总结而言,本文从不同的数据集角度对行人再识别关键技术进行研究探索并得了成效,这些技术可以被应用在视频监控领域。