行人重识别是指利用得到的行人图像检索出摄像头下具有相同身份的行人目标。行人重识别作为智能监控分析领域的关键技术之一,是在人脸识别失效的情况下利用行人整体特征查找到行人目标的有效方法。面对海量监控数据下人工查找效率低下的问题,应用行人重识别技术可以更加简单高效的找出要找寻的行人目标,对社会的公共安全建设有极大的帮助。但由于开放场景下背景、光线和行人姿态等因素会导致行人特征发生剧烈变化,使得如何获取到更加具有判别力的行人特征成为行人重识别技术的关键。随着深度学习方法在计算机视觉领域的大放光彩,基于深度学习的行人重识别方法已成为主流。因此,本文对基于深度学习技术的行人特征提取方法进行了深入研究,并在此基础上实现了行人重识别系统。本文的具体工作如下:1)在损失函数的研究中,为了使得同类样本之间更加聚簇,异类样本之间更加远离,把中心损失和三元组损失的思想融合,提出了Triplet-Center Loss用于行人重识别任务。相比于三元组损失等度量损失函数,该损失能够更加有效地改善特征的空间分布。针对分类损失Softmax Loss易导致模型过拟合问题,引入标签平滑策略来提高模型泛化能力。最后,把标签平滑的Softmax Loss和Triplet-Center Loss联合起来用于行人重识别网络的监督学习,在实验中验证了该方法的优越性。2)从神经网络结构角度出发,设计了融合注意力机制的多粒度行人重识别网络。利用空间和通道混合注意力机制加强网络对行人目标的关注,降低环境变化对特征的影响。采用多粒度图像分块方法,使得网络在关注全局特征的同时能够获取到更加具有辨别力的多粒度的局部特征。把整个网络与本文所提出的联合损失结合进行训练,在多个数据集上表现出了优越的性能。3)在特征提取模型的基础上,设计并实现了行人重识别系统,并对系统进行了功能和性能测试,测试结果表明系统可以满足用户的基本需求。