深度学习方法在自然图像、自然语言等众多机器学习领域取得了较好的性能,从而引起了学术界和工业界的广泛关注。深度学习研究的是一大类拥有多层非线性变换的模式识别系统,这些系统将数据从低往高逐层抽象,相比于浅层方法更适合于对真实世界中的高度非线性问题进行建模。随着人们对社会公共安全的日益关注以及视频采集技术和大规模数据存储技术的发展,我们对于大规模监控系统下的视频内容进行自动化和智能化分析的需求也越来越多。而行人再识别则属于智能监控领域的一个重要研究方向,其主要研究在监控视频中识别出某个特定的已经在监控网络中出现过的行人。该问题的研究能够为智能监控领域的诸多应用提供基础技术支撑和可行性保障,例如,辅助行人跟踪。本文围绕行人再识别问题,通过利用深度神经网络模型,从不同的数据约束条件下出发,即:从全监督到半监督,再到无监督的情况下,分别进行了不同层面的研究探索,分别采用卷积神经网络、模型正则化以及聚类等机器学习技术,开展了若干关键技术的研究工作。本文具体的研究内容以及创新之处主要包含以下几个方面:（1）在全监督设定下,针对单支网络行人特征提取的欠完备问题,本文提出了一种互补鉴别特征提取算法。通过设计一个类孪生特征提取网络架构,利用特征掩码模块连接主网络以及分支网络,以主网络的特征作为分支网络输入的一部分,在其基础上进行更多的互补特征的挖掘。随后,在此基础上加入了跨支成对排序损失函数进行网络训练,使得生成的分支网络特征更加具有互补性。实验数值以及可视化表示的结果均表明,所提出的方法显著提升了行人再识别的准确率。（2）在半监督设定下,针对行人再识别数据库中有标注行人数量少,深度学习网络参数在训练中会出现的“过拟合”的问题,本文提出了利用生成对抗网络生成伪数据并为伪数据生成伪标签的方法来进行模型的正则化。通过在行人特征表示空间中,利用无标签样本与有标签的行人样本特征表示之间的相似性为其分配伪标签来辅助训练。基于特征表示的伪标签生成准则能够在统一的框架下生成两种标签编码,分别是独热码和分布码。在公开的数据集上进行的实验取得了较高的行人再识别性能并证明了该方法的有效性。（3）在无监督设定下,针对现有的行人再识别聚类方法中的簇候选和合并准则无法达到较好的聚类效果的问题,本文提出了使用分散度作为簇候选和合并的标准。同时衡量和考虑簇间分散度和簇内分散度能够优化聚类的结果,从而最终取得更好的行人再识别结果。基于分散度的准则不仅能够自动为孤立的数据点提升聚类优先级,还能够阻止坏聚类的形成和蔓延。除此之外,该分散度的合并准则与卷积神经网络之间能够起到相互促进的作用,拥有更快的收敛速度和更好的稳定性。该方法在基于图像和视频的公开数据库上都取得了领先的无监督行人再识别性能。