社会治安防控体系建设对于社会治理、社会安全至关重要。智能视频分析技术是治安体系建设的重要一环,而行人重识别技术作为智能视频分析的基础技术,其研究进展直接决定着智能视频分析技术的发展和社会治安防控体系建设的进度。虽然现阶段基于深度学习的行人重识别技术较传统技术有新突破,但是该技术距安防领域的实际应用还有一定距离。一方面基于深度学习的重识别方法对数据集的容量要求高,受限于该领域数据集的规模,存在着在一个数据集上表现良好的方法更换数据集后效果变差的问题;另一方面安防场景下行人图像的采集中存在着分辨率低、视角变化、遮挡、光线变化等问题,导致从采集的包含不同程度背景信息的图像中识别目标行人成为一个挑战。针对上述问题,本文采用一种数据柔性扩充的方式实现行人图像数据生成,满足基于深度学习的行人重识别方法需要;而后设计一种基于仿射变换的行人重识别方法,提高其应对复杂场景的能力。论文的主要研究内容包括:（1）分析数据柔性扩充原理,搭建一个适用于安防场景下行人重识别数据扩充工作的模型,通过该模型生成包含更加丰富环境信息的行人图像;（2）针对图像采集中存在不同程度背景信息的问题,设计一个专门的图像预处理结构进行冗余信息的剔除,助于重识别工作;（3）针对图像采集中的分辨率低、视角变化等问题,提出一种融合深度学习特征和手工特征的更为鲁棒的特征提取方法以充分利用图像中包含的有效信息;（4）为更好地利用行人排序列表中的位置信息,采用一种基于顶部优先型排序损失的度量学习方法提升行人重识别方法的效果。本论文基于生成式对抗网络实现了对安防场景数据集的柔性扩充,并通过一个网络结构实现了图像的预处理;本文的行人重识别方法通过融合的特征提取方式充分利用了图像中包含的低层次和高层次信息,采用一种基于顶部优先型排序损失的度量学习方法,取得的效果较现有工作有了进一步提升。