行人再辨识的目的是在跨摄像头场景下,将视频中相同的人匹配起来。在智能监控的实现、打击违法犯罪等方面具有重大意义。本文针对现有的再辨识系统在跨库测试中的泛化能力和实用性不强等不足,从特征的提取和表示、显著性学习、度量学习等角度对行人再辨识进行了较深入的研究,提出了一种基于卷积神经网络(CNN )卷积层特征加权块匹配与分区域度量学习的行人再辨识算法。主要工作包括以下三个方面:1.在特征的提取方面,提出了一种深度神经网络的特征表示方法,通过引入局部区域的CNN卷积层特征提高特征的表达能力。2.在显著性权值方面,提出了一种基于KMEANS聚类的显著性学习算法,改善了图像块匹配的性能。同已有的两种方法相比,具有时间复杂度低、且能够保持较高的Top k准确率的优点。3.在相似度度量方面,提出了一种基于密集块的分区域局部度量学习算法,提升了算法的准确率,并提出了改进的加权匹配相似度公式,以减少算法对参数的依赖性。在多个标准数据集上的实验结果表明:本文的算法能够达到较高的准确率。同时有训练时间短,对训练样本规模要求小,跨库训练性能下降不明显等优点,使得本文算法具有较强的实用性。