人体目标再识别是计算机视觉和智能监控领域的重点研究课题之一,其任务是匹配无重叠视域的摄像机在不同时间、地点拍摄的人体目标。受光照条件、背景、遮挡、视角和姿态等因素影响,不同摄像机下的同一目标表观差异较大。目前研究主要集中在特征表示和度量学习两方面:一方面,研究者们致力于提出区分度高、鲁棒性强的特征描述子;另一方面,很多度量学习方法在人体目标再识别问题上了取得了较好的效果。但对于多样化的数据集,单一的全局度量很难适应差异化的特征。有研究者提出了局部度量学习思想,但由于再识别问题本身的研究挑战,现有的局部度量学习方法无法直接应用于该问题。本文以提高在多样化数据集上的再识别准确率为出发点,利用局部度量学习思想,结合现有的全局度量学习算法,提出一系列多度量学习方法,有效提高了再识别的性能,具有广泛的应用价值。具体包括以下几项研究工作:1)提出基于高斯混合模型和半正定约束的多度量学习方法。将度量矩阵约束为半正定矩阵,以最小化训练集的对数逻辑损失函数为目标。使用高斯混合模型拟合训练样本分布,并利用样本在各个高斯成分下的后验概率,改进目标损失函数中不同样本的损失权重,每个高斯成分对应不同的优化目标,对多个目标函数分别使用加速近端梯度法进行迭代优化,学习多个度量矩阵,以此计算多个相似性距离,并将多个距离加权结合。2)有效地将局部度量学习方法应用到再识别问题,提出以聚类间存在样本重叠的子集划分方式进行局部训练集划分,有效克服了局部度量学习方法在人体目标再识别问题中的应用困难。3)利用局部度量学习思想,结合近几年提出的交叉视角二次判别分析(Cross-view Quadratic Discriminant Analysis,XQDA)和加速近端梯度度量学习(Metric Learning by Accelerated Proximal Gradient,MLAPG)等全局度量学习方法,提出一种整合全局-局部度量学习框架。利用高斯混合模型对训练样本进行聚类,并使用2)中提出策略划分局部训练子集,在每个局部子集内分别进行局部度量学习;同时在整个训练集上进行全局度量学习。对于测试样本,根据样本在高斯混合模型各成分下的后验概率,将局部和全局度量矩阵加权结合,做为衡量样本相似性的依据。在VIPeR、PRID 450S和Market-1501等数据集上的实验结果验证了本文提出的基于高斯混合模型的多度量学习、局部度量学习和整合全局-局部度量学习方法的有效性。在包含丰富的背景和人物衣着变化的VIPeR数据集上的匹配准确率达到42.0%以上,相比于XQDA和MLAPG等全局方法,提高2.0%以上,在其它数据集上的性能也有不同程度的提高,本文提出的方法的性能普遍优于或接近现研究阶段的主流方法。另外,在使用不同的特征表示条件下,提出的整合全局-局部度量学习框架均可对全局度量学习方法做出改进,该方法具有广泛的应用价值。