无重叠视域行人再识别描述的是在一个非重叠的监控网络环境中，判断在一个摄像头中出现的行人是否在另一个摄像头中重新出现的一个过程。这个技术能够应用于安防以及公共场所寻人等领域。但是由于监控环境的复杂性，使得该问题具有很大的挑战。现存的研究方法主要集中在提出一种区分度强的特征提取方法以及提出一种良好的相似性度量方法。然而只有很少的研究考虑到加标签的复杂性以及数据的不平衡。本文提出了一种基于SVM主动学习的行人再识别方法。与选择所有训练样本进行训练不同，该方法根据当前的分类器知识选择最有价值的样本进行训练。实验结果显示，该方法不仅能够减少样本加标签，甚至还能够比使用全部样本训练得到更高的性能。除此之外，在该问题中目标行人的图片相对于非目标行人严重偏少，造成了数据的不平衡。为了解决这个问题，本文提出了在主动学习的过程中对样本重采样，包括过采样和欠采样两种方法。过采样的方法采用的是基于SMOTE算法的一种采样方法，而欠采样所采用方法的思想是去掉最近邻点对中的一个，实验结果表明，过采样方法比欠采样方法能够获得更好的效果。本文的实验结果还与现存的一些行人再识别方法进行了对比，包括：RankSVM、SDALF、ELF和PLS，通过对比CMC曲线发现，本文的方法要明显优于其他方法。