随着社会经济的高速发展,国家和个人对于人身安全与财产安全问题都愈加重视。为提高社会安全治理水平和建设平安城市,各地都建立了安防视频监控体系。面对视频监控设备数目和监控数据日益剧增,使得从海量视频中查找出特定目标也越来越困难。因此仅仅依靠人工对大量的视频信息进行筛查已经无法满足日益增长的社会安全需求,智能化的视频监控技术成为一个热门的研究应用方向。智能视频监控系统主要是通过计算机视觉中图像处理、模式识别等方法对监控摄像头所采集到的视频图像进行冗余数据过滤,然后提取有效数据进行检测和分析。行人重识别作为智能视频监控系统的核心,主要完成在不同镜头下检索定位到同一行人。现有行人重识别方法都是基于已裁剪好的行人图像进行匹配,但是在真实监控场景下,并没有行人标注框,需要在原始视频中先检测出行人再进行行人重识别。为此,本文基于深度学习方法设计出行人检测器,并将行人检测和行人重识别任务结合进行研究,具体研究内容有以下三个部分:(1)在行人检测方法的研究中,基于卷积神经网络在目标检测领域的优秀表现,对几种经典的网络模型进行对比分析,最终选择YOLOv3模型作为基础网络模型。针对行人检测方法对于行人密集、局部遮挡等情况存在鲁棒性差、实时性低等问题,提出一种基于改进YOLOv3算法的行人自动检测方法。采用扩展多尺度预测,使得网络模型对图像中小尺度的行人目标更加敏感。(2)在行人重识别方法的研究中,为获取更加鲁棒的行人特征,提出一种SIFT与CNN特征互补的行人特征表示模型S-CNN。根据行人重识别任务的特点,提出包括分类任务与检索任务的多任务学习策略。对目前已有的分类及检索损失函数在理论层面进行了探究。实验完成了对损失函数组合性能的验证工作,得到了较优组合项,提高了行人重识别的准确率。(3)提出一种将行人检测与行人重识别任务结合的方法。为适应实际工作环境,将行人检测与行人重识别任务结合在一起,完成端到端的行人重识别任务。在真实的监控场景中,将行人检测结果动态生成行人候选库作为重识别任务的输入,再利用行人重识别网络与目标行人进行匹配,验证了算法的可行性。