随着监控系统在智慧城市中的大量部署,人工检测监控视频的效率和准确性越来越难以满足监控系统实时性和安全性的要求,因此越来越多的研究着重于智能化监控领域。重识别是智能化识别的一种技术,主要的功能在于从不同视角的监控画面中找出特定的目标,来帮助刻画出目标的行动轨迹。目前重识别方法主要是由输入数据,网络模型和损失函数构成。网络模型的主要作用是提取输入图像的特征,通过不同的网络模型提取到的特征的鲁棒性和判别性存在一定的差异。损失函数的主要功能是监督模型的训练,此外还可以学习一个映射函数,通过映射函数将模型输出映射到嵌入特征空间中。通常损失函数可以分为两大类:分类损失和度量损失。分类损失通常是用来计算特征属于某一类的概率,度量损失的核心在于拉近嵌入特征空间中的同类样本的距离,拉远不同类样本的距离。本文主要针对网络模型和损失函数做了以下研究。目前大多数重识别算法都是利用卷积神经网络对图像进行全局特征提取,尽管全局特征可以很好的表示图像的信息,但是容易忽视了一定的图像边缘信息。局部特征相比较于全局特征而言可以包含更多的边缘信息,因此本文提出了一种基于全局特征和局部特征的重识别算法,通过设计一个两分支网络模型来有效提取全局特征和局部特征。对于全局特征,本文尝试将传统的分类损失Softmax替换为人脸识别领域基于Softmax优化的分类损失（Large margin cosine loss,LMCL）来监督训练,并设计相应的学习策略来保障损失函数发挥性能。通过在行人重识别和车辆重识别数据集上的实验验证,证明了本文提出方法的有效性。对于度量损失,存在一些度量损失函数需要额外的参数添加来帮助约束嵌入特征空间中的特征分布,而添加的参数通常为固定值,导致了嵌入特征空间的灵活性降低。因此本文提出了一种新的度量损失函数:Soft margin loss。该度量损失和需要参数添加的度量损失相比,不需要额外的参数来约束样本对之间的距离,而是利用不同样本类别中的最大类内距离和最小类间距离的差值来进行约束。因此提出的度量损失相比较于其他的度量损失来说需要的参数更少,学习到的嵌入特征空间的灵活性更强。通过在手写数字识别数据集MNIST以及行人重识别和车辆重识别数据集上的实验验证,证明了提出的新的度量损失函数Soft margin loss的有效性以及优越性。