社会的迅猛发展,使得人们对社会公共的安全问题越来越关注。很多大型公共场合都正在逐步大范围多角度的安装监控摄像头,形成监控网络。但面对监控视频的急剧增加所带来的海量数据,怎样使监控视频的分析和使用更加高效和智能化是一个有待解决的问题。基于行人重识别的智能视频分析方法成为了计算机视觉领域的热点。行人重识别(Person Re-Identification,ReID)技术是判断在不同监控摄像头下出现的行人图像是否属于同一行人的技术。将深度学习应用到行人重识别中已成为当前的研究热点,和人工提取特征的方法相比较,深度卷积神经网络采用自动学习的方法,从数据中得到表征图像的特征,并对图像进行分类,具有实际意义。论文首先总结了行人重识别常用的算法、特征以及深度学习网络框架,详细分析了深度卷积神经网络的架构,进一步研究了图像分类中被广泛采用的ResNet残差网络。其次,论文仔细分析了训练集扩容所需的学习模型并详细探讨了生成对抗网络,通过生成对抗网络对数据集进行有效扩容。然后,论文选用深度残差网络(ResNet-50)作为实验的基础模型,并在此基础上进行了改进,对行人进行特征提取和分析,有效地提高了特定行人识别率。同时,在PyTorch框架下,对改进的深度网络模型进行微调训练,达到最佳识别效果。最后,论文分析需求并设计和实现了基于深度学习的行人检测重识别系统,通过简单的待查询行人图像的输入,可直观的反馈出行人重识别结果。实验结果表明,本文所改进的方法训练出的模型能够学习到具有较高鲁棒性的特征,有效提高了行人重识别的识别率。