监控系统在公共安全方面发挥着至关重要的作用,随着监控系统规模的越来越大,传统的人工监测方法已经无法适应社会的发展。因此智能视频监控近年来越来越受到研究者的关注,在智能监控系统中,行人重识别部分发挥着不可替代的角色,是非重叠摄像机目标轨迹关联的纽带。虽然行人重识别算法在一些特定的数据集上取得了一定的准确度,但是光照、遮挡、行人姿态变化、场景转变、穿衣风格季节性变化等依然是行人重识别领域内的挑战。本文在分析已有的行人重识别算法基础上,从传统算法和深度学习算法两方面进行研究。传统算法方面,提出基于特征融合与子空间学习的行人重识别算法。在特征提取前,首先对图像进行预处理来增强图像的可处理性。预处理完后,对行人图像分别提取局部特征和整体特征。整体特征将HOG特征和HSV颜色直方图特征融合作为整体特征。局部特征采取在滑动窗口内提取CN颜色特征和两个尺度的SILTP特征。为了获得多尺度特征,分别对原图像进行两次下采样,然后分别提取上述特征。特征提取后用核函数将所提取的特征转换到非线性空间,再在非线性空间学习一个子空间,最后在子特征空间学习一个测度矩阵进行相似度度量。深度学习方面,提出多粒度部件对齐的多损失融合行人重识别算法。通过对预训练网络微调得到特征提取的主干网络,在主干网络之后连接两个分支,分别对主干网络提取的行人特征做不同的处理。为了应对行人检测框中行人图像不对齐等问题,通过将图像水平均分为不同的部分,然后从上到下动态匹配局部部件,找到局部特征与最小总距离的对齐。行人图像的多粒度结合也是一种提高识别率的有效手段,将行人图像分割为两部分,分别计算每部分的损失。在考虑到行人重识别算法的特殊性,本文将难样本采样三元组损失和分类损失的多损失融合方法,通过计算不同深度特征的损失之和作为整体损失。在测试的时候分别采用了简单的距离函数计算特征相似度和重排序计算相似度。实验结果表明,所提出的传统算法在三个数据集上的测试具一定的优势,深度学习的算法在两个较大的数据集上识别率也表现出一定的优势。