行人重识别是指在一个无重叠区域的多摄像机监控网络中,已知一个摄像机下目标行人的图像或视频序列,判断该行人是否出现在另一摄像机下的过程。在实际应用中,不同摄像机拍摄的画面存在光照、视角等因素的差异,从而无法具备较好的重识别效果。特征提取和度量学习是传统行人重识别中的两个核心部分。前者致力于寻找一个不受到光照和视角变化等影响的鲁棒可靠的特征来描述不同的行人,后者采用将特征向量投影到新的度量空间中计算行人之间相似度的方法来区分不同行人。随着深度学习的广泛应用以及大规模数据集的出现,利用卷积神经网络提取特征的方法取得了更好的效果。根据行人重识别数据源的不同,可将该问题分成基于图像的行人重识别和基于视频的行人重识别两类,后者相较于前者可以提供更多的行人信息,但如何从一个行人的多帧图像中提取有效特征仍是亟待解决的难点问题。现有研究在基于图像这类问题上提出了许多识别率较高的方法,本文则主要针对基于视频的行人重识别问题进行了研究。主要研究工作如下:(1)通过对基于图像和基于视频两类问题的基本方法的复现研究了行人重识别的相关方法,从中总结各类方法的优缺点,找到现有基于视频的行人重识别方法中可改进之处。(2)根据特征融合的思想,本文将图像层面的底层特征与视频层面的时空特征进行结合,构成更为鲁棒的行人特征表达。采用颜色和纹理特征计算不同行人之间的相似度以作为初步筛选后,再根据同一行人多帧图片中光流能量值的变化提取出整段视频中的关键片段,对其提取3维HOG特征。最后将融合后的特征输入到顶推距离度量模型中,在视频数据集iLIDS-VID和PRID2011上rank1的结果分别能达到58.4%和60.0%。(3)针对深度学习方法在行人重识别上取得的较高效果,本文提出深度特征相比传统特征鲁棒性较好,但它主要表征的是行人的整体特征,易忽略不同行人之间的相似细节。因此本文提出一种结合行人属性识别的卷积神经网络,同时学习行人的身份标签和属性标签,可以有效解决行人的遮挡和不对齐问题。