行人重识别旨在判断非重叠视域监控图像或视频序列中是否存在目标行人,现已成为智能监控分析系统中极为关键的一环,被广泛应用于公安防控领域,如城市交通平台监控、公安刑事侦查等场景。早期的研究致力于解决人体姿态、背景遮挡、监控视角、光线变化等因素对行人重识别的影响,却忽略了分辨率差异的问题。在真实世界中,由于行人与相机间的距离变化、相机硬件参数设置以及相机部署位置的不同,导致捕获到的行人图像分辨率低下,而预先入库的行人图像往往具有较高的分辨率。当不同分辨率的行人直接进行匹配时,会对识别性能造成不利影响。为了解决这一问题,本文对跨分辨率的行人重识别任务进行研究,具体的研究工作内容如下:（1）针对跨分辨率行人重识别任务中深度网络并未充分利用不同分辨率的多尺度信息的问题,提出了基于小波变换的双流耦合网络。该网络结合了超分辨率重建技术以提高识别性能。具体来说,该网络包含两个部分:第一部分构建超分辨率重建网络,该网络基于小波变换的多分辨率分析原理,从输入图像的高频和低频分量出发充分利用图像的多尺度信息以提升行人的分辨率,从而恢复行人的重要视觉信息。第二部分构建身份识别网络,考虑到高低分辨率行人之间特征的差异,该网络设计了一个残差约束损失函数,旨在不同分辨率图像间传递知识,以提取更具辨别性的行人特征。实验结果表明本文算法能够利用不同分辨率的多尺度信息以实现高效的行人身份匹配。（2）针对跨分辨率行人重识别任务中超分辨率重建模块忽略行人身份信息的问题,提出了正交深度特征分解网络。传统的超分辨率重建任务关注图像的视觉保真度,更重视重建后图像像素的丰富程度。而行人重识别任务侧重于行人身份的匹配。尽管借助重建任务能提高识别性能,但由于重建任务和识别任务的最终目的并不一致,导致识别准确度无法达到一个优异的状态。正交深度特征分解网络有效解决了上述问题。该网络将最终的行人特征分解为彼此正交的幅度分量和角度分量,并以此设计出角度不变（身份保留）损失函数和幅度不变损失函数。身份保留损失能在高分辨率图像的指导下恢复行人的身份信息。幅度不变损失能够增强身份特征学习的鲁棒性。实验结果表明本文算法能够恢复行人身份信息以提高跨分辨率行人重识别任务的准确率。