近年来,随着人工智能技术的飞速发展以及智慧城市建设的不断推进,由监控摄像头组成了庞大的监控系统作为智慧城市的重要组成部分。视频监控系统是城市安全防控的一项重要辅助措施,如何在无重叠的摄像头视角间实现行人追踪与行人检索便显得尤为重要。而行人再识别技术恰恰是实现跨摄像头之间的行人检索,但是由于光照、遮挡、分辨率等问题导致行人再识别任务仍然是一项具有挑战性的课题。本文基于深度学习算法,重点研究以下三方面的内容:1.针对行人图像不对齐现象,提出一种姿态引导的多粒度特征融合的行人再识别算法。利用PAF网络捕捉人体关键点,利用人体关键点实现图像间对应部件对齐。提取对齐图像后的多粒度特征进行相似度匹配,进而实现行人再识别任务,该算法仅在ID损失下便取得不错的性能。2.针对引入姿态网络消耗资源大的问题,提出一种多粒度特征融合的行人再识别算法。采用不同的池化策略得到全局特征以及局部特征,利用局部特征之间的余弦距离表征人体结构特征,采用多级损失监督机制对网络进行监督,使得网络性能得到提升。3.针对行人数据集不足以及类内差异大的问题,提出一种GAN网络混合编码的行人再识别算法。网络通过交叉混合两幅图像中的姿态特征以及外观特征,实现可控的图像生成。将生成图像的外观特征反馈到生成网络,实现在线的交互循环,联合优化。本文提出的行人再识别算法较好的解决了行人图像中的不对齐以及数据稀疏等问题,在公开数据集的实验结果表明,所提算法具有一定的优越性。