经过半个多世纪的发展,机器人技术已经对人类的生产和生活方式产生了深远影响,并成为衡量一个国家科技创新和高端制造业水平的重要标志。新的社会发展趋势表明:未来新一代机器人系统将从更多的方面模仿人,尤其是,机器人与人之间应更多地表现出一种和谐共存、优势互补的合作伙伴关系,即:与人共融是新一代机器人系统的最本质特征。为了实现机器人与人共融,需要机器人能够感知交互者身份,进而与人自然交互。因此,机器人准确感知交互者身份,是实现共融机器人的第一步,同时也是实现人机协同作业的关键。人脸识别和声纹识别方法常用于对交互者身份进行感知,由于人脸识别在采集人脸特征的过程中容易受到面部遮挡物和表情变化的影响,而声纹识别也容易受环境噪声、被识别人身体健康状况等因素干扰,所以在交互者身份感知的过程中上述两种方法均存在一定的缺陷。相对于上述两种识别方法,重识别算法可以提取目标整体表观特征,不需要交互者主动配合,并且受遮挡和环境噪声等因素干扰影响较小,因此被广泛应用于身份感知。然而现有的重识别算法仍存在网络层数较深、运行速度不满足实时场景、识别流程效率低下和特征匹配耗时严重等问题。为了解决上述问题,本文将目标检测算法与重识别算法相结合,将二者视为目标重识别的整体过程,在深度学习的理论框架下,进一步开展基于深度学习的实时目标重识别算法研究,并采用所提算法设计了机器人身份感知系统。本文详细阐述了目标检测和目标重识别的发展背景和国内外现状,系统的分析了实现实时的目标重识别存在的技术难点和问题,在深入研究不同类型的目标检测算法和重识别算法,分析其技术特点之后,基于深度学习理论改进了现有的目标检测算法和重识别算法以实现端到端的身份感知,并基于连续帧位置约束降低特征匹配复杂度,以满足实时交互场景的需求。主要的研究内容和创新性成果如下:（1）针对现有的目标检测算法由于网络层数较深而导致运行速度过慢的问题,本文在浅层残差网络Resnet34的基础上对网络结构进行改进,通过减少网络层数提高检测效率,同时引入深度聚合结构以保证检测精度不会因为网络层数的减少而降低。最后基于公开数据集MS COCO的实验,充分验证了所提方法的有效性。（2）为了进一步提高目标检测和重识别过程的计算效率,本文提出一种特征复用方法。由于检测和重识别都需要对同一目标进行特征提取,所以两次特征提取的结果中存在相同信息,因此本文通过特征裁剪方法对目标检测特征进行裁剪,从而使后续重识别算法能复用目标检测特征,以减少重识别算法本身特征提取网络的层数,提高计算效率。基于公开数据集CUHK03的实验结果表明,所提方法大大缩短了目标检测和重识别过程的计算时间。（3）针对重识别特征匹配耗时严重的问题,本文提出一种利用连续帧位置约束降低特征匹配复杂度的方法。该方法将上一帧所有带重识别结果的候选框作为备选身份集合,舍弃与当前帧检测框不重叠的元素,将剩余的集合中所有身份对应的特征和当前帧检测框提取出的重识别特征进行匹配,以相似度最高的身份作为重识别结果。改进后的匹配过程能够有效提高特征匹配速度,同时过滤掉一定的误识别结果,以保证识别精度。（4）基于移动机器人CLBROBOT采用本文所提算法设计了机器人身份感知系统。在系统设计过程中,采用二元双端队列解决图像传输效率低下的问题。最后,对机器人进行了身份感知实验,实验结果显示设计的机器人身份感知系统能够满足实时交互场景的需求。