行人再识别是指在跨摄像头区域下的行人目标检索问题。随着监控设施覆盖范围的不断增大,监控数据不断增多,行人再识别给公安机关提供了便捷的目标检索和身份认证方案。由于数据量的增大以及在图像拍摄过程中所受到的各类因素影响,使得在不同监控摄像头下的行人再识别任务面临巨大挑战,如何在复杂干扰条件下提取具有判别力的行人特征,如何采用合适的相似性度量方法提高再识别准确率,这两个问题是目前行人再识别任务的研究难点。本文在大量国内外研究成果的基础上,使用深度学习的方法,对行人再识别任务展开研究。主要工作如下:1.采用多种特征联合学习的方法建立行人再识别模型。由于行人图像受光照、遮挡、姿势、角度等多种因素的影响,使得单一的特征不能对行人图像进行全面地表征,因而提出一种新的行人再识别模型。该模型以行人图像的视角信息作为全局特征,用批特征擦除的方法学习行人图像的细粒度特征,通过对两种特征的联合学习,使模型学习到的行人图像特征更加充分。实验表明,该模型可以有效提高行人再识别准确率。2.利用多种注意力机制提取更具判别力的行人图像特征。由于行人再识别数据集缺少行人图像的属性标签,使得行人图像的属性特征提取困难,因而提出一种多注意力机制的方法。在提取图像视角信息的过程当中,引入特征注意力,使用训练好的视图分类器对不同的视角单元做加权,同时对视角单元引入通道注意力和空间注意力,三种不同的注意力机制共同作用,可以提取到更具判别力的视角特征。实验表明,三种注意力机制共同作用可以使得行人再识别准确率提高。3.通过构造三角模型提出一种新的三元组损失函数。在行人再识别相似性度量过程中,正样本对距离越近,负样本对距离越远,则模型的识别性能越好。因而提出一种新的三元组损失函数。该损失函数对锚样本、正样本和负样本建立三角模型,根据三角形角与边的对应关系,对正样本对与负样本对之间的距离重新定义,新定义的距离使得正样本对之间的距离更小,负样本对之间的距离更大。实验结果表明,该损失函数在与其他损失函数的比较中可以达到较好的行人再识别精度,并且在三个公开的行人再识别数据集上具有良好的泛化性能。