近年来,行人重识别已逐渐成为计算机视觉中最为活跃的研究领域之一,该领域是智能视频监控系统中的焦点研究问题。行人重识别是一种从不重叠视角的多摄像头监控图像或视频中匹配目标行人的方法,其本质上是一个行人检索的任务。本文以基于深度学习技术的行人重识别算法为研究课题,重点研究了在行人重识别算法中深层卷积神经网络的行人特征提取能力、深度度量学习中困难样本挖掘问题以及基于深度学习分类模型的行人重识别方法等,主要研究内容分为三个部分:1.利用卷积神经网络提取行人特征行人重识别算法的性能依赖于一个具有鲁棒性、识别性的行人特征。与传统的行人特征提取方法相比,深度学习模型通过梯度下降算法可以自适应地获得具有很强表达能力的特征,从而避免了复杂的特征设计过程。本文采用卷积神经网络中的AlexNet模型和ResNet模型作为基础主干网络,通过数据集训练优化网络来获得具有很强行人特征提取能力的模型。实验证明深层网络模型的特征提取要优于人工特征设计的方法。2.挖掘困难样本的深度度量学习深度度量学习的行人重识别方法只能利用样本之间的标签信息,在模型训练过程中往往存在着难以采样的问题。困难样本选择是提高该算法性能的一个关键性因素。本文分析了现有的采样方法,把点对点的采样方法推广到点对点集合的采样方法,并进一步根据样本之间的欧式距离为点集中的每一个样本点分配不同大小的权重。与硬采样的方法相比,该方法可以自适应的判断每一个样本的困难程度。此外,本文对硬感知损失函数中困难样本权重分配算法做了进一步的改进,使得该损失可以使模型获得更好的优化效果。3.行人重识别分类模型的改进深度分类模型可以利用样本的标签信息监督训练网络模型学习,有助于模型提取出具有识别性的特征。为取得更好的重识别效果,本文把引入间隔机制的Softmax损失应用于行人重识别中,该算法在寻找行人特征分界面的同时也拉大了不同身份行人特征之间的间隔。此外,本文通过组合度量损失和分类损失监督训练网络模型,这种多损失联合学习的方法弥补了分类模型的不足。