随着经济社会的发展,基础设施的完善,信息流,物质流和能量流成为现代社会几个主要的流动特征。人员流动也快速增长,由此而来的安防需求与日俱增,基于监控摄像头提取视觉信息辅助安防成为了新常态。但是视频监控数据往往具有量大,关键时段少等特点。传统依靠人力排查的方式往往捉襟见肘。尽管目前有很多研究提出了很多方法,取得了一定的效果,但其在实际应用中仍然存在很多缺点与不足。本文以视频分析领域的行人重识别任务出发,总结了任务的主要研究方向,发展脉络、代表理论与解决方法。并提出目前的方法在实际应用中存在的主要问题和缺陷:（1）训练数据难以获取。目前效果最好的算法都是监督学习算法,监督学习算法需要标注摄像头下大量的行人数据。由于实际场景复杂多变,为了保证场景下的应用效果,需要针对场景补充标注数据进行训练,这种标注往往费时费力,成本很高。（2）难以得到有效的结果。受限于实际场景训练数据的获取,目前算法模型大多一次训练,永久部署使用。由于训练集和应用场景存在偏差,算法在应用中往往达不到预期的效果。面对问题与缺陷,为了提升识别效果,本文研究行人重识别重排序算法,对初始结果进行后处理。本文从自动重排序与人机交互重排序两个方面着手研究,提出了一种基于多相似性的自动重排序算法与一种基于主动反馈的人机协同重排序算法。前者能自动挖掘初始结果的上下文相似性与基于图的相似性,并在两种相似性的约束下得到更优的结果。后者引入了人的监督信息,并通过算法推荐大信息量的样本供用户标记,采用度量学习和加权流行排序的方法依据用户的标注信息对初始结果进行重新排序。此外,本文还基于两种重排序算法设计并实现了一套行人检索系统,实现了自动检索,自动重排序,人机协同重排序等功能,并在实际场景中验证了有效性与实用性。综上所述,本文主要研究行人重识别重排序算法。本文提出了一种自动重排序算法与一种人机协同的重排序算法。除此之外,本文还设计与实现了一套行人检索系统,在实际使用场景下验证了算法与系统。