复杂场景下的行人重识别是自动驾驶、智能交通、智能安防等领域中应用非常广泛的算法,也是机器视觉应用领域所研究的热门问题。行人重识别的核心问题是在复杂情景中实现跨摄像机对行人的辨认和搜索。目前针对行人重识别任务的方法取得了较好的识别效果,但还是存在以下问题:一方面,行人属性识别作为行人重识别的重要基础,可以提高对行人的辨识度,在行人属性识别实际应用中,经常会遇到训练样本中的属性不平衡情况,影响了算法的识别效果,尤其是属性不平衡情况严重时,网络模型的性能下降明显;另一方面,在行人重识别网络训练过程中,对于困难正负样本对的在线有效挖掘能力还存在一定的提升空间。因此本文针对以上问题完成了以下工作与创新:第一,提出了一种基于Res Ne St和难样本在线挖掘的行人不平衡属性识别方法。该方法利用Res Ne St50骨干网络和通道自注意力模块（CAM）来提取具有一定显著性的注意力特征并且通过标签平滑策略、行人属性困难样本在线挖掘方法（OHEM）和多属性联合训练方法来提升模型的性能表现。在RAP和PA100K数据集上的实验结果表明,该方法在整体性能上优于现有的行人属性识别模型,具有较好的适用性和较强的竞争力。第二,提出了一种基于改进的多尺度困难三元组损失函数的行人重识别方法。该方法利用Res Ne St50作为骨干网络来提取特征,使用带有标签平滑正则化的交叉熵损失函数和改进的多尺度困难三元组损失函数来提高模型的性能表现,并引入了损失平衡加权的策略对改进的多尺度困难三元组损失函数与交叉熵损失函数进行了联合优化。在Market-1501、Duke MTMC-re ID数据集上的实验结果表明,该方法在整体性能上相比现有的行人重识别方法具有一定的优势。第三,基于上述算法模型并结合经典目标检测算法,构建了一个复杂场景下的行人重识别系统,该系统可用于在不同摄像机下的特定的行人目标进行识别。同时设计了一个用户操作界面,该界面简单易操作。