行人重识别技术是视频监控领域中一项重要的技术。它旨在从一个监控网络中检索出曾在该监控网络下出现过的目标行人。随着监控视频数据的不断增长,仅靠人力进行行人检索工作已几乎不可能,采用计算机自动检索已成为当务之急。在此背景下,本文的研究主题—行人重识别技术,已成为计算机视觉研究的热点之一。本文首先提出了一个称为Mancs的行人重识别方案,它从以下两方面解决了行人重识别任务遇到的问题:充分利用注意力机制解决行人未对齐问题;针对度量损失采取了合适的采样方式以获得一个更稳定的行人表征。更确切地说,我们提出了一个全新的注意力模块,它采用了深度监督技术,能够嵌入到任何已有的卷积神经网络中。此外,我们还提出了一个全新的课程式采样方案,可以有效地用于在度量损失下进行的训练。所有需要学习的目标损失函数都被集成到了一个统一的深度网络框架中,并且同时优化。我们在Market1501、CUHK03和DukeMTMC三个数据集上对Mancs进行了实验,实验结果表明了Mancs相较于其他方案的优越性。另外,我们还对本文所提出的创新点进行了消融性实验,验证了其有效性。此外,本文深入研究了行人重识别中的无监督域自适应问题。该问题同样是计算机视觉中一个热点方向,但却缺乏相应的理论基础。本文将分类理论中的无监督域自适应理论拓展到了重识别领域。具体来讲,我们对编码后的特征空间提出了一系列假设,并由这些假设推导出了一些损失函数。接着,本文提出了一套针对无监督域自适应的自学习框架以优化损失函数。它能够以迭代的方式重复对无标签数据进行标签估计,并使用数据的估计标签微调原编码器网络。我们在4个公开的行人重识别数据集上进行了交叉实验,实验效果明显超过当前最优方法,验证了我们所提出的理论与自学习框架的有效性。