随着智慧城市建设的推进,行人检测与重识别领域受到了学界的广泛关注。行人检测与重识别现已广泛用于公安刑侦、智慧交通、疫情流调等领域。城市中监控规模的不断扩大将产生海量的监控视频数据,为追踪特定目标提供了基础,也对行人检测与重识别算法提出了更高的要求。受复杂现实环境的影响,行人检测与重识别的应用还存在一些问题,例如:（1）目前的行人检测算法对边界描述不够准确,且实时性较差;（2）重识别数据集规模太小,使得特征嵌入和分类结果难以达成统一,且模型跨域泛化能力不足;（3）现实场景的行人重识别任务存在遮挡现象,造成了许多错误匹配和特征混乱问题。为此本文基于深度学习技术,对行人检测和重识别领域进行了以下几个方面的研究。针对问题（1）,对文本检测算法DBNet（Differentiable Binarization Network）进行改进,提出一种基于空洞空间金字塔池化的可微二值化行人检测算法（ASPP-DBNet）,其骨干网络可以在融合多尺度特征的同时保持较大的感受野,并通过可微二值化模块自适应地学习边界阈值,有效平衡了行人检测的性能和效率。在推理阶段,提出一种基于贝塞尔曲线拟合的分割-候选框转换算法,可以将网络输出的分割连通域转换为候选框坐标。经过实验,轻量化后的ASPP-DBNet模型的每秒帧数（FPS）为61,在行人检测数据集上的F-1指标和m IOU指标分别为83.84%和73.4%,优于DBNet和其他的主流算法。针对问题（2）和问题（3）,从解决遮挡问题和全局-局部特征融合两个方面出发,提出一种基于姿态估计的遮挡行人重识别网络。该模型利用人体关键点判断遮挡区域并插入特征金字塔分支,其特点是可以衡量图像的遮挡区域,然后将可见的局部特征和全局特征融合,以提高网络的表征能力。此外,在特征金字塔分支中引入注意力机制和正交正则化以保证特征多样性。实验在三个全身数据集和一个遮挡数据集上进行,结果表明该算法在全身数据集上的Rank-1指标较次优算法分别提升了1.54%、1.0%和2.67%,在遮挡数据集上较次优算法Rank-1提升了1.38%。利用提出的基于ASPP-DBNet的行人检测算法和基于姿态估计的遮挡行人重识别算法,构建智能行人检索系统,系统功能包括前端显示、系统管理、行人图像库管理等。最后对系统进行性能测试,结果证明了本文算法在实际应用场景也具有较高的可靠性。该论文有图40幅,表22个,参考文献86篇。