行人重识别的目的是在不同位置和不同摄像机拍摄到的行人中识别出相同的行人。由于行人容易受到姿态、照明、背景以及遮挡等方面的影响,使得行人重识别方法在本质上具有挑战性。为了提高行人重识别的性能,本文对行人重识别方法进行了研究,主要的研究内容可以概括为以下两个方面:(1)基于深度多视图特征距离融合原理,提出了一种新的行人重识别方法。该方法通过利用传统特征和深度特征的相互协作来提高行人重识别的识别精度。首先,将滑框技术应用在卷积层,对卷积特征进行不同尺度的处理,得到一种新的低维的深度区域聚合特征向量,新得到的卷积特征维数等于卷积层的通道数;其次,在使用交叉视图二次判别分析距离度量方法的基础上,将深度区域聚合特征和手工特征进行融合,提出了一种多视图特征距离学习的算法;最后,利用加权融合策略来完成深度区域聚合特征和传统手工特征之间的协作。大量的实验数据表明通过距离加权融合之后行人重识别的精度明显高于基于单一的特征距离度量取得的识别结果,并且证明了所提的深度区域特征和算法模型的有效性。(2)考虑不同层次的卷积特征的更多互补优势,基于多尺度卷积特征融合特性,提出了一种新的行人重识别方法。在训练阶段,使用不同的池化策略对网络的多层卷积特征图进行池化操作,获得包含多尺度的卷积特征,并在训练过程中应用一系列优化技巧,同时使用多个损失函数以提升行人图片分类准确性;在网络训练过程中使用梯度下降法,优化不同的分类损失;在测试阶段,将获得的不同卷积层的特征进行拼接操作,将得到的多个相同维度的特征向量进行融合来预测行人身份。最后,将提出的基于多尺度卷积特征融合的算法在三大公开的行人重识别数据集上进行测试,实验结果证明所提的卷积特征融合方法是有效的。