随着广域视频监控的普及,多摄像机智能监控已经成为计算机视觉领域的研究热点。考虑到成本效益和公众隐私,大型视频监控网络存在大量的监控盲区,造成多摄像机之间目标跟踪的困难。无重叠视域多摄像机监控系统下的目标关联,又称目标再识别,主要用于消除摄像机之间的视觉差异和监控盲区的时空不确定性对目标跟踪的影响。目前,目标关联已经成为解决无重叠视域监控场景下目标跟踪的关键问题。本文对无重叠视域多摄像机目标关联进行了深入的研究,论文的主要工作和创新点如下：(1)提出了基于目标“特征差”矢量的非线性排序(NRFD)目标再识别算法。针对目标在不同监控系统的视觉差异对目标再识别的影响,与以往旨在消除这类影响的目标再识别算法不同,本文利用这些差异,也就是目标特征差,构造二分类模型,并通过RBF核SVM对候选目标进行排序,从而实现目标再识别。此外,针对负样本远多于正样本而造成的样本失衡问题,本文构建了基于巴氏系数的AP聚类预处理方法来选择典型的负样本,从而克服该问题造成的影响。在标准数据库上的实验结果表明,该算法的识别率优于相关方法。(2)考虑到基于信息衡量的JENSEN-SHANNON(JS)核函数能处理光照变化引起的颜色直方图偏移问题,本文提出了JS核判别分析(JSKDA)的目标关联算法。首先通过JS核函数把样本映射到高维空间,充分提取目标的可鉴别信息,然后在该空间应用改进的局部Fisher判别分析,抵御离群样本对目标关联的影响,从而降低关联错误率。(3)应用D-S证据理论融合监控网络的时空约束信息和NRFD、JSKDA的匹配信息,避免了模型之间的冲突,提高了目标关联的准确性。