随着人工智能时代的到来,行人重识别已经成为计算机视觉领域的一个重要组成部分,其关键是解决跨摄像头下的行人识别与检索,广泛应用于构建智慧城市的各个环节中,推动着城市监控体系的完备,加快了城市化建设的步伐。现阶段,行人重识别过程中存在图像语义未对齐现象且缺少细节信息,导致图像匹配的难度增加,降低了行人重识别准确率。基于此,本文对基于深度学习的行人重识别方法展开研究,完成了监控场景下的行人重识别任务,并将其应用于校园监控场景下,实现了行人的重识别。本文主要研究内容如下:（1）行人重识别过程中存在图像语义未对齐现象,导致图像匹配的难度增加,降低了行人重识别准确率。基于此,提出一种基于区域对齐与自注意力的行人重识别网络（Pedestrian re-identification network based on region alignment and Selfattention,PRN-RAMSAM）。该方法设计了区域对齐模块（Region Alignment Module,RAM）,实现在空间中对齐行人图像语义,提升重识别算法匹配度;然后,采用自注意力机制（Self-Attention Mechanism,SAM）深度挖掘行人特征的显著性,对空间像素分配更多的权重;最后,通过组合三元组损失函数与Softmax损失函数对模型进行训练。Market-1501、Duke MTMC-re ID和CUHK03数据集的实验结果表明,本文方法提升了行人重识别模型的准确性和鲁棒性。（2）针对图像切片方法容易忽略不同等级的细节信息问题,导致模型缺少多层特征信息。基于此,提出一种基于向量注意力机制Goog Le Net-GMP的行人重识别方法（Research of Person re-identification method based on Goog Le Net-GMP with vector attention mechanism,GLN-GMPVA）。该方法设计了Goog Le Net-GMP网络,挖掘不同网络深度的细节信息,获得多层特征;然后,利用金字塔方法聚合多层特征,通过向量注意力获得更优的表征信息;最后,采用同身份损失和相似性损失加权方式完成网络训练。Market-1501和Duke MTMC-re ID数据集实验结果表明,本文方法在Rank-1和m AP指标方面表现更优。（3）基于PyQt语言设计并开发了一个行人重识别系统,利用Yolov3模型实现行人检测,并采用本文提出的GLN-GMPVA模型进行行人重识别,实现了校园监控场景行人的重识别。