随着图像处理和深度学习理论与技术的快速发展,视频监控系统得到了越来越广泛的应用,因此也产生了大量的数据,但是目前这些数据并没有得到充分有效的利用,因此造成了巨大的资源浪费。为了提高这些资源的应用效率和水平,本文立足于监控视频,开展了基于深度学习理论和方法的行人重识别研究,这对于增强现有的视频监控系统的性能,具有重要的理论意义和实际价值。行人重识别是指利用计算机判断出现在不同摄像机中的行人是否属于同一人。行人重识别一般包括特征提取与距离度量两部分,针对当前这两个部分研究中存在的问题,在深度学习的基础上,本文首先通过网络结构设计提升了特征提取的效果,同时对距离度量中的损失函数进行了相应的优化。具体而言,本文完成了如下的工作:首先,基于卷积神经网络(Convolutional Neural Networks,CNN),本文提出了一种多分支的行人特征提取网络结构。通过对特征图(feature map)水平划分,构建了一种具有针对性的局部特征提取分支,并通过与全局特征提取分支的联合,组成了一个多分支的特征提取网络,获得了更具判别力的行人特征。其次,分析了各个不同的损失函数在行人重识别任务中的效果与作用,在三元组损失函数的基础上,提出了一种自适应的三元组损失函数,并通过实验验证了所设计的损失函数的有效性。最后,针对监控视频中存在行人外形和颜色相似而难以识别的问题,本文结合多分支的特征提取网络、优化后的损失函数和空间注意力机制,提出了一种基于监控视频的行人重识别算法。完成了网络模型端到端的设计与实现,并通过在多个公开的数据集上的测试,验证了本文所提出了算法具有良好的性能表现。