随着智慧城市建设的不断推进,人们对公共安全越来越来重视。视频监控在刑侦、寻人方面起到重大的作用。监控摄像设备的大面积使用,使监控图像数据不断增长,仅仅依靠人工方式去查找和识别行人,往往很难快速且准确的找到目标行人,并且耗费成本巨大。本文研究行人再识别技术,力图解决上述问题。行人再识别(pedestrian Re-Identification,Re-ID)是从没有任何重叠区域的不同摄像头的视频中识别出同一个人。本文从构造图像特征块入手,利用深度神经网络的数据拟合能力,设计了一个多特征融合的网络模型。本文完成的工作主要在以下几个方面:(1)根据特征表示法,利用人体姿态估计算法,划分单个行人不同身体部件。采用人体姿态估计算法提取行人图像的关节点信息,根据行人图像的18个骨骼点位置,把人体图像划分为刚体、非刚体两个子图像,这两个子图像分别包含特定的身体子区域,可以更好的提取图像中行人身体的局部特征,减少环境信息的干扰;同时,能够处理姿态变化、视角变化导致的行人图像之间的不对齐问题。(2)提出一种特征融合的双分支神经网络结构。以ResNet50残差网络为基础,分别以行人全局图像和局部特征子图像为输入数据,搭建的神经网络结构。对于提取全局特征的神经网络结构模型,加入了软注意力模块,以减少区域内噪声信息的干扰。根据行人图像不同局部部件在整个行人图像中所占比例,设置权重系数,让全局特征与局部特征加权融合,形成更具个体区分度的行人特征度量。最后,在模型训练阶段,把三元组损失函数作为目标函数应用到整体的网络模型中,提升模型的性能。(3)利用改进后的卷积网络模型在CUHK03数据集以及DukeMTMC-ReID数据集上进行了实验,研究结果表明,改进后的双分支卷积神经网络具有较好的性能。