随着人们对社会公共安全的日益关注以及视频采集技术和大规模数据存储技术的发展,大量的监控摄像头产生的海量视频资源,可以对历史数据进行分析。例如犯罪嫌疑人的查找定位,密集人群的监控等,有利的保障了城市的公共安全。在此背景下,行人重识别(Person Re-identification,Person Re-ID)成为计算机视觉领域里的一个极具研究价值又极具挑战性的研究热点。行人重识别任务旨在给定一张行人图像,从大量的候选图像中快速找到跟待查询行人图像属于同一身份的行人图像,其通常是由不同摄像头采集到的不连续帧图像。随着近几年深度学习的发展,行人重识别得到了显著的突破,衍生出了各种各样的方法。本文提出了两种基于双流网络改进的行人重识别方法,主要研究工作如下:(1)提出了一种基于双流网络和稀疏重构的局部行人重识别方法。由于受遮挡的影响,无法检测到行人的全身特征,传统的行人重新识别方法不能准确地处理这一问题。因此本文提出将双流网络融合不同模式的特征后与稀疏重构相结合来匹配查询和图像库,实现局部的行人重识别。本文采用双线性池化来融合外观网络和姿态网络的两种不同模式的特征,以获得更好的性能。对于匹配查询和图像库,稀疏重构过程实现了局部行人重识别的任意大小的输入图像。(2)提出了一种基于双流网络和注意力机制的行人重识别方法。本文在双流网络的基础上增加了注意力机制,通过双流网络将注意力机制和姿态相结合,解决注意力机制会忽略一些人体边缘部分的缺点,以提高网络的性能。同时,在注意力分支中将中层特征融合到高层特征中,提升注意力机制的表达能力。本文在现有的标准局部行人数据集Partial-REID、Partial-iLIDS和全身行人数据集Market1501、CUHK03、DukeMTMC-reID上进行了实验。结果表明,与现有方法相比,本文的方法都能够得到更加精准的检测结果。