近年来,在建设平安城市、智慧城市的浪潮下,智能安防工程得到迅猛发展,视频监控系统已经在全国各地得到广泛部署,在刑事侦查、社区安防等领域发挥着重要的作用。大规模视频监控网络在增强监控效果的同时也大大增加了数据量,通过观看录像回放来分析数据的传统人工手段已经远远不能满足当前的需求。因此,基于计算机视觉技术的智能视频监控系统受到了研究人员的广泛关注。行人重识别技术是智能视频监控系统的核心,旨在通过计算机视觉算法在跨视域摄像网络中检索是否存在特定的行人。行人检测则是实现行人重识别的前期任务,其检测精度直接关系到重识别任务的检索效果。然而,由于受到摄像视角差异、光照变化、背景杂乱、行人姿态变化、遮挡干扰等因素的影响,使得行人检测和行人重识别面临很大挑战。本文广泛地分析了相关研究现状,针对行人检测与行人重识别中若干难点,提出相应的算法和模型。在行人检测部分,提出了高效的轮廓特征描述子,并建立摄像机成像几何模型,结合归一化中心矩解决行人遮挡检测问题。在行人重识别部分,分别从深度卷积神经网络中的度量学习和顶部视角行人重识别展开研究,提出了相应的优化模型。主要研究内容和创新点包括:（1）针对行人检测算法的特征提取环节,提出基于椭圆傅里叶描述子和归一化中心矩的轮廓特征。通过调整椭圆傅里叶描述子的相关谐波系数,使得目标轮廓描述子保留旋转可变性,从而更加有效地区分竖直人体轮廓和水平汽车轮廓。此外,引入的归一化中心矩能够提供轮廓的几何特征信息,从而增强轮廓特征的描述能力。（2）针对行人检测算法在行人遮挡的情况下出现检测偏差的问题,本文根据相机原理构建了摄像机成像的几何模型,得出视频图像中前景的高度与中心垂直坐标的映射关系,结合行人高度基本一致的先验知识,确定视频图像中行人前景轮廓像素高度的置信范围,对于超出置信范围的行人轮廓认定为交叉遮挡情况,在此基础上,通过行人轮廓特征中的归一化中心矩判断轮廓形状的分布特点,从而在遮挡情况下获得精确的行人检测框。（3）针对视频行人重识别中同一行人在不同视频序列片段出现外观变化大的问题,提出视频序列不变损失函数,构建序列不变特征学习模型。本文从度量学习角度出发,对模型输出的视频序列级特征向量按照序列差异化进行切割重组,即同一行人的不同序列特征被分散到每个组里,然后两两成对计算不同序列特征之间的余弦距离,通过本文构建的损失函数,最小化同一行人所有特征对的余弦距离,实现视频序列不变特征的学习,有效地对抗行人在视频监控中各种外观变化以及环境变化带来的干扰,增强模型的鲁棒性和检索准确性。（4）针对行人重识别中难以解决的行人遮挡问题,本文根据顶部摄像机录制的视频数据构建了大规模顶部视角视频行人重识别数据集,有效地规避了常规摄像机安装视角造成的人员遮挡。在行人重识别主干网络上,引入注意力机制,使得模型重点关注行人图片中的最具辨识力的区域,从而优化神经网络的特征提取,除此之外,还加入了非局部操作算法,增大卷积神经网络的感受野,进一步提高了模型的性能。