由于视频监控技术的飞速发展,监控视频呈现爆发式的增长,给公共安全管理带来了大量的视频信息,但是同时也使得视频处理的难度大大增加。在视频中提取有用的信息时往往需要人工筛选,这不仅需要耗费大量的人力,也需要大量的时间。在这种背景下,对大规模的监控视频进行智能化处理成为计算机视觉(Computer Vision)领域一项重要的研究内容。行人重识别的根本目的是可以将行人在大规模监控网络进行识别出来,并完成行人的身份信息的匹配工作,以达到对行人进行快速定位并实现跨摄像头的目标跟踪的目的。行人重识别技术凭借着其广阔的应用前景吸引了大量的科研人员的研究兴趣,然而实际的拍摄环境非常复杂多样,并且行人的外观也具有多变性,这使得同一行人在不同监控领域拍摄的图像可能会有非常不同的表现,这无疑会给行人重识别的研究带来巨大的阻碍。本文在对国内外行人重识别领域研究成果全面分析的基础上,主要从度量学习的角度开展研究,并针对目前行人重识别领域存在的挑战:正负样本极度不均衡的问题,分别提出了监督和半监督的方法来解决。具体研究如下:(1)现有行人重识别度量学习方法大多均等地对待所有样本,这导致正样本的作用并未完全体现出,最终使得匹配率无法进一步提高。针对这个问题,我们初步提出使用加权欧式距离进行行人相似性的度量,分别对目标正样本和负样本赋予不同的权重,使得度量模型可以从不同类型的样本中学习到更为有效的判别信息,从而提升模型的判别性。(2)目前行人重识别的研究者们大多使用已经公开的数据集进行研究,而在这些数据集中,目标负样本的数量相对于正样本来说是非常大的,这对模型的学习产生了非常大的干扰,而负样本所带来的影响也是不同的,(1)中我们使用加权欧式距离对样本进行度量,其实是分别对正样本和负样本赋予了不同的权重,等于是均等的看待了所有的负样本,因而忽略了不同负样本所能提供的不同判别信息。针对这个问题,我们提出使用自适应的度量学习方式对负样本进行分类,对不同类别的负样本分别赋予不同的权重,并由此提出了一种增强度量学习算法。实验结果表明,该方法可以获得更高的行人重识别的准确率。(3)目前获取监控视频下行人的信息需要耗费大量的人力财力,而数据不平衡已经成为行人重识别中亟待解决的问题,我们从数据本身的角度进行出发,使用图片风格转换技术,对行人图片进行拍摄风格的转换,以达到数据增强的目的。由于进行风格转换生成的样本图片没有行人标签,我们提出使用自主学习的图方法来学习样本之间的伪成对关系,通过伪成对关系可以将有标签样本和无标签样本联合起来,使得度量模型可以学习到行人在不同拍摄风格下的信息。实验结果表明,该模型对于行人目标再识别问题具有突出的性能。