随着经济社会的发展,人们的安全意识日渐提升,公共场合中安装了大量的监控摄像头,由此产生了海量的监控视频。目前的监控视频大都通过人工处理,不仅需要耗费巨大的人力、物力,而且效率较低,因此,人们对智能视频处理技术有着强烈的需求。智能视频处理技术通过计算机自动对监控视频进行分析处理,能够将人们从枯燥的查看监控视频的工作中解放出来,降低成本提升效率。行人再识别技术是智能视频处理技术中的关键技术,它是指在不同的而且没有视角重叠的摄像头所拍摄到的行人图像中检索特定行人,它是进行行人跟踪的前提。由于行人再识别场景复杂多样,摄像头型号不一,行人姿态变化较大等原因,很难人工设计出一种鲁棒性较强的行人特征描述符。随着人工智能,特别是深度学习的飞速发展,研究者逐渐将深度学习应用到行人再识别领域。卷积神经网络是深度学习中的一种重要模型,其在人脸识别、手写字符识别等领域有着成功的应用,本文基于卷积神经网络对行人再识别进行了研究。针对行人再识别中由于摄像头型号不一、视角不同、光照变化等原因造成行人类内距离较大的问题以及行人图像中背景广泛存在、行人几何形变的问题,本文主要做了如下工作:1)针对行人再识别中行人类内距离较大的问题,提出了一种基于可加裕量SoftMax损失的卷积神经网络模型。相较于传统的SoftMax损失,可加裕量SoftMax损失通过减小输入图像的得分来增大损失,从而强迫网络学习更具辨别力的特征,减小行人类内距离。模型的特征提取部分以ResNet50网络为主,由于目前行人再识别数据集较小,本文在原有的ResNet50网络中增加了 Dropout层。Dropout层以一定概率将神经元暂时的从网络中丢弃,将其输出置为0,在下一个mini-batch时,又可能恢复正常工作,这相当于每次mini-batch,都在训练一个新的网络模型,能够有效降低网络过拟合的风险,增强网络的泛化能力。实验表明,该模型能够有效的减小行人类内距离,与使用传统的SoftMax损失的基准模型相比,在数据集Market1501上,Rank1提升了 3.59个百分点,Rank1达到了 82.51%,mAP提升了 7.27个百分点,达到了 62.30%。2)针对行人图像中背景广泛存在及行人几何形变的问题,提出了一种基于可变形卷积的行人特征提取网络。本文利用可变形卷积对AM-Net网络的残差学习结构进行了改进,形成了改进的残差学习结构,使得卷积核的采样位置可以动态变化,从而网络能够有效地应对行人几何形变并将网络的注意力聚焦在行人上,降低背景对模型性能的影响。并研究了特征提取网络中改进残差学习结构的数量对模型性能的影响,当改进残差学习结构的数量为2时,模型的性能达到最佳,在Market1501数据集上,Rank1达到了87.47%,mAP达到了 68.15%,与改进前相比,分别提升了 4.96个百分点和5.85个百分点。