现代社会发展越来越快,城市人口密度越来越大,社会公共安全越来越受到关注。行人再识别是在不同监控视频中找到同一行人的计算机视觉技术,对安防监控和智能制造具有重要意义,是智慧城市不可或缺的一部分。在行人再识别领域中,现有的图像特征提取方式倾向于横向等分图像再提取局部特征,这会导致行人图像中同一肢体区域被分割到不同子图,致使局部特征的连续性受到损失。此外,该领域中有关图像局部特征权重的研究较少。缺少对特征的加权操作会导致高辨识度的区域与低辨识度的区域对识别结果的贡献一样,导致识别的准确率受到影响。首先,本文总结了目前行人再识别领域的常用特征、分割方法和网络结构,进行了深入研究和分析,针对横向等分存在缺陷和特征加权研究较少等问题,提出基于分割加权网络的行人再识别研究方法。其次,本文以深度卷积神经网络为基础,一方面在卷积网络中引入关键点检测技术,按人体区域将行人图像划分成头部、躯干、下肢三部分,最大限度地保证了图像局部信息的连续性。另一方面,在卷积网络中添加特征加权模块,使不同区域中提取的局部特征包含权重信息,有效提高具有高辨识度的局部特征对识别结果的正面影响,同时降低具有低辨识度的局部特征对识别结果的负面影响,进而提高识别结果的准确性。最后,本文在Caffe深度学习框架中训练模型并进行了实验验证。实验内容包括不同特征组合对实验结果的影响、加权操作对实验结果的影响、与先进算法的性能对比等。