随着智慧城市建设的稳步推进,公共视频监控网络获得了长足发展,监控摄像头在医院、学校、商场等公共场所广泛部署,在提高公共安全和改善交通管理、应急指挥等方面的同时,带来了海量的视频和图像数据分析需求。基于人工处理和提取数据的传统监控方法具有出错率高、速度慢、效率低等缺点,因此基于深度学习的智能视频监控系统应运而生。行人重识别（Re-identification,Re ID）作为智能视频监控处理数据的一项重要技术,其目的是在行人检测的基础上利用计算机视觉技术判断不同摄像头获取的图像或者视频序列中是否存在特定行人的技术,它通常被作为行人检索的一个子问题,因此具有重大的研究意义和广泛的应用前景。在实际的场景应用中,行人重识别技术仍存在以下挑战:第一,由于多摄像设备全天时、全天候的工作采集了大量的视频和图像信息,但会存在一些行人训练样本数量有限的问题;第二,由于行人姿态的变化不仅丢失部分行人信息,而且还会引起大于身份差异的外观变化,导致现有工作难以学到鲁棒的行人特征;第三,现有Re ID技术为了提高识别精度往往采用复杂的网络模型,导致其难以部署到对实时需求度较高的业务场景中。针对上述问题,本文从多样性样本生成、相似行人判别性特征学习和轻量化网络设计这三个角度开展了下述创新性工作。（1）多样性行人图像生成方法。针对大数据环境下特定行人样本多样性差的问题,提出了一个基于变分推理的多姿态样本生成网络模型（CVGAN）。通过采用姿态估计器和设计基于变分推理的自动编码器,CVGAN模型能够在解耦同一个行人姿态和外观信息的同时,可以实现任意姿态的行人图像生成。在三个基准数据集上的实验证明,CVGAN方法比大多数主流的生成方法更具优越性。（2）高分辨行人图像生成方法。针对生成样本纹理信息缺失的问题,提出了一种高分辨图像生成的孪生对抗学习方法（PS~2GAN）。为了生成具有目标姿态的行人图像,设计基于孪生生成对抗网络的图像生成模型,并基于孪生结构设计对比姿态损失。为了生成更加逼真的行人图像,采用最近邻损失缩小生成图像和真实图像之间的差异,使高层信息更接近。本方法在多个公开数据集上都取得了良好的生成效果。此外,将生成样本用于扩充Re ID训练集,识别性能有一定的提升。（3）多任务姿态无关的特征学习方法。针对行人Re ID方法易受相似行人干扰的问题,提出了一种面向相似样本学习的强化变分对抗网络方法（RL-VGAN）。提出行人重识别孪生变分对抗学习方法,实现样本生成和相似性样本对抗一体化学习的目标。将深度学习与强化学习决策的优势结合起来,一方面通过端到端的学习提升生成网络生成样本的能力,另一方面提升行人重识别方法对相似样本干扰的鲁棒性。训练时,采用三阶段训练策略实现图像生成和行人重识别两个任务,可以更好地应对姿态变化和相似行人干扰等因素造成的行人身份特征判别难的问题。该方法在多个行人重识别数据集上取得了良好的识别性能。（4）基于进化算法的滤波器剪枝方法。针对行人重识别网络模型训练参数多、计算量大的问题,提出了一种基于进化算法的滤波器剪枝方法（EAFPruner）。首先将网络剪枝过程建模为组合优化问题,并采用进化算法求解,使用L1范数作为冗余准则来评估滤波器的重要性。此外,采用一种基于自适应批归一化层更新的评价方式快速地评估修剪后网络性能与微调后精度之间强相互关系以减少微调时间消耗。然后选择精度最高的修剪网络进行微调并评估识别效果。在四个Re ID数据集上进行的实验结果验证了EAFPruner方法的有效性。（5）基于上述四个工作,设计了基于多任务对抗学习行人重识别验证系统。本系统由参数设置子模块和多任务对抗学习行人重识别子模块两大部分组成,可视化地显示模型的参数设置和网络的训练过程。该论文共有图64幅,表21个,参考文献189篇。