在公共场所,密集的人群容易导致公共安全事件的发生,所以大量的监控摄像头被安装和应用在城市的各个地方。传统的方法是由人类观察者从监控图像中识别行人。这是一个非常耗时的任务,并且不能大规模地进行行人识别。现今,行人重识别是城市监控领域的关键组成技术,主要应用于公共场所中,利用监控图像识别行人。行人重识别则是指在不同摄像机拍摄的视频或图像中查询目标人物的方法。目前大多数的行人重识别方法主要在有监督和无监督两个领域上进行研究。当前大多数有监督行人重识别方法在提取行人图像的全局特征或局部特征时,很容易忽略一些不起眼的细节特征。这些部分细节特征的忽略却会影响到判别行人的结果。虽然大多数有监督行人重识别方法都表现出了优良的性能,但是使用有标签的数据集是十分昂贵的,这也限制了有监督行人重识别方法在实际场景的应用。本文分别基于有监督和无监督的行人重识别提出了相应的方法:(1)本文提出了多层级特征融合模型,该模型利用深度学习网络提取行人图像的全局特征和局部特征,并将全局和局部特征联合起来,以生成更具辨识度的描述符。在多层级特征融合模型中,基于部分的多层级网络用于提取不同网络深度的局部特征,从而将网络底层到高层中提取的局部特征组合起来。全局—局部网络分支则提取网络深层的局部特征和全局特征,用于识别行人。(2)本文提出了一个无监督的擦除特征判别学习框架,该框架可以从整张图像和图片的局部细节中学习区分性特征。我们开发了擦除特征判别学习方法,通过强制网络学习图片中相似的局部细节来学习行人的判别特征。为了解决同一类行人图片在不同摄像头下的图片差距问题,我们利用生成的迁移图片来为网络提供有效的指导。此外,我们设计了基于无监督的判别特征学习损失函数来帮助网络学习无标签数据集上的判别性全局和局部特征。大量的实验表明了本文提出的方法在有监督和无监督行人重识别中的优越性。