随着智能监控系统的兴起与普及,人力检测方式在海量视频数据面前存在明显劣势,从而促进了视频自动分析领域的发展。其中,行人重识别作为视频分析领域的重要分支,在行为约束、犯罪跟踪、官司取证等方面发挥着十分重要的作用。利用机器学习与深度学习手段,设计判别性特征提取与相似性度量方法,解决具有相同身份信息的行人检索匹配问题是该领域内的主要研究方向。目前行人数据存在拍摄视角差异、多模态光照差异、背景干扰与人体遮挡等问题,精准鲁棒的行人重识别仍存在很大的技术挑战。本章结合行人重识别实际应用思路与现有数据特性,针对行人重识别中存在的上述精度影响因素进行研究,提出深度混合卷积神经网络模型。本文主要设计工作如下:首先,针对多帧行人重识别中具有相同身份的行人姿态特征分布错位问题,在非时序多帧条件下,设计姿态引导机制,利用人体姿态全局置信图引导深度卷积网络学习聚焦于行人身体区域的分布特征与关节间的互信息特征,降低背景干扰权重,隐式地进行属于相同身份行人的空间分布对齐;在时序多帧条件下,设计将非局部卷积模块嵌入深度神经网络中,将网络模型的自注意感受范围由局部拓展到全局,对存在一定空间距离的像素建立映射关系,实现时序帧间姿态特征对齐与帧内行人空间特征提取,缓解背景与姿态差异对重识别精度的影响。其次针对多帧行人重识别中鲁棒性特征提取问题,在非时序多帧条件下,设计基于姿态引导的混合卷积神经网络,通过显式的对原始数据引入行人姿态表征信息,增强人体区域特征的学习。改进二维残差网络结构,利用四通道卷积层与网络末端池化层分别提取浅层特征与行人本征特征,同时设计混合表征机制将行人自身分布特征与类别识别特征进行基于精度波动估计的加权融合,增强行人特征的鲁棒性;在时序多帧条件下,提出基于时空域的三维非局部混合卷积神经网络,设计时空分离卷积模块并结合上述非局部卷积模块,进行行人空间分布特征与时域步态特征的提取与融合,在简化网络训练参数的同时,增强时空特征的非线性表达能力。在时序与非时序条件下的网络模型中,均设计使用全连接模块替换传统单一全连接层进行行人类别划分,增强行人特征与行人身份类别之间的耦合度,提升特征的鲁棒性与判别性。综上,本文通过分析行人重识别任务目标与数据分布特性,针对现有技术挑战进行研究,提出了基于深度卷积神经网络的方法,实现精度表现更加的行人重识别检索,为行人重识别算法设计与迁移至实际应用提供了有效的设计思路与意见。