行人再识别是近年来计算机视觉任务里一个研究的热点话题。行人再识别任务的内容是在一个场景不重叠的监控网络里,对不同时间不同地点出现的行人进行匹配、识别,以实现对特定目标的查找、追踪。行人再识别技术对于刑侦、疑犯追踪、公共场所走失行人的查找等领域的应用有着重要的实际价值。然而,行人图像在跨越监控场景的过程中,受到光照、角度、步态以及背景变化,导致行人的图像表观特征十分不稳定,存在对不准问题,使得行人识别变得十分困难,因此吸引了大量的国内外学者对该任务展开研究。本文中定位影响行人再识别问题识别精度的主要原因是由于小样本问题以及图像特征的对不准问题,采用多域联合的深度网络模型提取特征表达模型,并基于深度学习算法,添加新的度量层,对行人图像进行更加准确的度量。本文的主要工作如下:首先,对行人再识别任务中的特征提取和距离度量两个关键内容和现有算法进行了阐述和总结,并通过编程仿真,对不同方法的效果进行了对比分析研究。行人再识别任务的难点在于对不准问题,训练数据与测试数据在度量空间中存在较大差异。然后,本文引入了多域联合的深度网络模型,联合多个数据集对行人的表观图像特征进行提取,并通过域指导的Dropout操作方法对神经元节点进行选择,使得特征提取网络模型更加稳定,有更强的表达能力。本文中在深度网络结构的基础上,添加反馈度量层,利用迁移度量学习的思想,结合度量学习的方法,优化行人再识别模型,设计完成了一种更加有效的深度学习行人再识别方法。最后,本文基于Matlab的GUI系统设计功能,对行人再识别应用系统设计进行了仿真,包括对Matlab GUI设计功能的介绍,行人再识别仿真系统的设计需求,以及设计方案,并通过实际测试,给出仿真效果。测试结果表明,本文中深度+度量的行人再识别模型较对比方法有了较大提升。在VIPeR数据集上,rank-1的识别结果相较于Metric Learning by Accelerated Proximal Gradient(MLAPG)算法精度提升了 16.46%