近年来,公民的安全意识不断提高,视频监控已经遍布生活中的每个角落,它使公民的生命和财产得到有效的保障,随着视频监控的普及,行人再识别技术也逐渐出现在研究人员的视野中。从工作原理来讲,行人再识别属于图像检索问题,其目的是在不同区域部署的摄像头中识别出需要检索的人,主要应用在交通、公共安全和视频监控领域。行人再识别技术难点在于人体姿势、照明和视野的不同所引起的行人姿态和外观的变化,摄像头的差异性是也一个重要的影响因素。应对这些难点,研究者提出了许多解决方法,行人再识别技术是一个值得深入学习和研究的方向。本文主要工作有以下几方面。1)建立了摄像头风格迁移学习网络,通过摄像头之间的风格学习,补充样本点间的空缺,可以有效减轻摄像头风格差异的影响,降低出现过拟合的可能性,使训练样本增多,提升模型泛化性。2)优化目标函数,调整特征分布,在训练过程中逐渐拉近类内距离,使类内距离更紧凑,并限制类间距离,减少原损失函数出现类内距离大于类间距离的现象,从而获取更有区分力的特征,提高模型识别准确率,方法命名为CSL。3)建立多粒度损失网络（MGL）,全局特征对图像整体有好的表征性,但会忽略图像细节上的差异,将多粒度特征和全局特征结合起来,得到更多的细节信息,对全局信息进行补充,进一步提高识别准确率。4)在数据提取阶段采用均衡取样方法,在训练阶段平等对待每个ID,减弱由每个ID样本数量不同对识别结果的影响。本文在公开数据集Market-1501和Dukem MTMC-re ID上做了对比实验,实验结果表明,本文提出的方法优于原Cam Style^[1]方法。使用摄像头风格迁移学习网络（CSL）后,在Rank1上提高了3.7%和3.2%,准确率分别达到93.2%和81.5%。在Market-1501数据集上结合多粒度损失网络方法后,Rank1的准确率为95.3%,m AP的准确率为86.1%。结果表明,本文方法对再识别准确率有积极作用,提升了再识别方法的鲁棒性。