近年来,视频监控网络在城市道路、小区、商场等公共场所大量部署,推动了安防监控领域的飞速发展,也使得对智能视频分析算法的需求日益提升。在大规模视频监控系统中,作为智能视频分析的支撑技术之一,行人目标重识别技术能够实现对指定目标行人的识别和检索,并在多个摄像机下对相同目标进行身份关联,进而为后续监控系统中的跨摄像机目标跟踪、运动轨迹生成和行为分析等相关应用打下基础。因此,行人目标重识别受到了学术界和工业界的广泛关注,研究者针对各类实际应用场景提出了大量智能算法。然而,不同相机视角差异、光照和场景变化、行人姿态变化等复杂因素会使得同一行人目标的外观出现显著变化,给行人目标重识别的研究和应用带来巨大挑战。本论文围绕行人目标重识别中的多线索信息挖掘和域适应问题进行了深入和系统的研究,结合外观纹理、人体属性、步态、样本可靠性和信息量等多线索信息分别研究了基于单张静态图像、多帧视频、无监督域适应等多个应用设定下的行人目标重识别问题。本论文将处理的对象和场景不断由简单向复杂、由理论向实际应用推进,提出了多个具有创新性的解决方案以应对现有挑战,有效提升了行人目标重识别的准确率。本论文的主要研究内容和创新点在于:1.提出了一种基于多属性线索指导局部外观特征学习的行人目标重识别算法,有效提升了行人局部部件检测的准确性和局部外观特征的鲁棒性。首先,该方法利用人体属性学习过程中对局部区域的感知能力作为线索完成对人体部件和显著物体的检测和定位,并提取相应的局部外观特征。其次,为了消除部件检测过程中可能会受到的噪声影响,该方法对具备中高层语义信息的人体属性特征进行选择和融合,将融合属性信息作为线索指导局部外观特征的精炼,从而提升局部外观特征的鲁棒性。实验结果表明,相比现有的局部外观特征描述方法,该方法可以有效提升行人目标重识别的准确率。2.提出了一种结合属性语义和步态运动线索的行人目标重识别算法,从空间和时间两个维度提升模型对行人视频数据的特征表达能力和身份判别力。一方面,该方法基于已有的人体属性数据集训练获得一个高性能属性识别模型,为行人视频分配序列层级的属性伪标签进行属性学习,进而为行人身份特征学习提供中高层的外观语义线索。另一方面,该方法利用视频帧预测任务有效挖掘了行人行走过程中具有身份判别力的步态线索信息,相比传统步态识别算法具有更简洁的处理方式和更广泛的适用性。实验结果表明,该方法能够充分利用视频数据中包含的大量时空信息,提升行人目标重识别算法的性能。3.提出了一种基于多线索价值样本选择和数据增强的无监督域适应行人目标重识别算法,可以在有效利用目标数据域中无标签样本的同时,对特征空间中可能存在的未知身份样本进行探索。首先,该方法以全局聚类置信度作为线索评估目标域样本的可靠性,以样本局部分布密度作为线索衡量目标域样本在聚类过程中所包含的信息量,从而选取具有高可靠性且高信息量的价值样本用于模型域适应。同时,该方法针对行人目标重识别任务中源域和目标域、训练集和测试集身份类别不重叠的特点,利用特征混合的方式生成特征空间中可能存在的未知身份样本用于训练,有效提升了模型应对新场景新行人的泛化性和鲁棒性。实验结果表明,该方法能够显著提升行人目标重识别模型对目标应用场景的适应能力。