行人重识别技术可以搜索特定行人,被广泛用于现在的智能视频监控系统中,辅助人们抓捕罪犯或寻找失踪人员。遮挡行人重识别任务的提出主要是由于现实世界中行人往往被各种遮挡物所遮挡,极大地影响了模型匹配的精度。目前针对遮挡行人重识别任务的工作依旧面临巨大的挑战,早期的大多工作只关注人体匹配并未考虑遮挡问题,后来出现了基于局部特征的方法,使得模型的泛化性能有所提高,但这类方法大多需要严格的行人对齐,严重遮挡下表现依旧不佳。部分行人重识别方法面对遮挡情况时需要手动裁剪图片十分费时费力。不仅如此,目前针对于遮挡问题的数据集往往规模较小,不仅训练时容易造成过拟合,不同数据集之间的图像风格差异也使得联合使用这些数据集变得十分困难。由此可见,对于遮挡行人重识别技术的研究目前尚不完善,攻克这些难关对于遮挡情况下行人重识别问题的研究具有重大意义。基于此,本文研究了遮挡情况下的行人重识别问题,其主要工作和贡献如下:（1）针对遮挡情况下存在人体的不完整的问题,提出了一种基于多尺度特征的遮挡行人重识别方法。与部分重识别方法中的手动裁剪不同,该方法利用目标检测算法构造部分人体定位器,自动识别和裁剪部分人体,并设计了水平金字塔池化策略,融合不同尺度下的行人局部特征,增强了模型的鲁棒性。实验表明,该方法在遮挡行人重识别任务上有着更优越的匹配精度。（2）针对遮挡情况下不同行人图像之间的局部特征难以对齐的问题,提出了一种基于人体特征重构的遮挡行人重识别方法。与目前主流方法严重依赖局部特征对齐不同,该方法是一种无对齐方法。在方法一的基础上,采用稀疏表示重构人体特征,利用人体特征重构距离改进了难样本三元组损失,增大相似部分对匹配相关性的占比。实验表明,该方法可以有效提高模型的抗遮挡性。（3）针对遮挡行人重识别任务中有标签数据量较少的问题,提出了一种基于无监督数据增强的遮挡行人重识别方法。该方法在方法二的基础上,采用无监督方法进行数据增强,引入无标签数据并生成伪标签,提出混合记忆模型和聚类可靠性评价标准,动态更新不同类型数据所需的标签,利用统一对比损失对原模型参数微调,在扩充数据量的同时减少模型的过拟合。实验表明,该方法进一步提高了遮挡情况下的模型精度。