行人重识别算法的任务是在没有公共视域的摄像头中搜索特定的行人目标,这可以被视为一个目标检索过程,结果可表示为一个行人样本相似度的排名列表。在实际的场景中,受光照明暗变化、视角变化、行人姿态、遮挡等因素的影响,同一行人目标在不同摄像头下呈现较大的差异,从而导致同一行人的图像很难排在相似度列表前列。通常来说,难以正确匹配的行人样本被称为难例样本,难例样本也是阻碍算法性能的最大障碍。本文将从行人重识别的难例样本出发,分析难例样本特征分布的规律,提升模型对难例样本的匹配成功率,完善算法性能。首先,大多数现有的基于度量学习的行人重识别算法,采用在整个数据集上学习一个全局距离矩阵来计算行人图像之间的相似度。但是由于测试集中的难例样本特征分布的不规律性,全局度量很难准确衡量其相似度,导致算法性能指标下降。本文提出将全局度量学习和测试集难例样本的局部判别信息相结合来提升匹配精度,根据测试集样本在全局度量矩阵下的距离分布筛选出易混淆的难例样本并分析这些样本的局部判别信息,重新计算样本相似度并排序。其次,我们希望学习出一个特定的针对难例样本的度量矩阵。先利用交叉验证的方式获得训练集样本的相似度排序列表,并根据列表排序将训练负样本对分为3个不同的难例等级。对此,提出了一种由粗到精的调节机制,能在重训练阶段自适应地对不同难例程度的样本对施加不同的惩罚。在这样的约束条件下,算法可以学习得到一个更适合于难例样本的度量矩阵,把它应用于测试集的重排序任务,能够进一步区分容易混淆的样本,提高算法精度。最后,随着深度学习算法的发展,行人重识别数据库的容量越来越大,模型在训练过程中很难拟合到数据库中少量的难例样本,从而导致模型在测试过程中的判别能力下降。考虑到每个训练随机批次难例等级不同以及训练不同阶段模型所需样本数量的不同,我们提出了基于深度学习的自适应难例挖掘算法,该算法不仅可以使难例挖掘的规则和模型训练过程更加协调一致,而且可以同时缓解模型欠拟合和过拟合的问题。此外,实现难例挖掘的子网络结构简单有效,具有良好的泛化性能,可以很容易地与现有的各种深度学习网络和行人重识别模型相结合。