根据图像从视频中查找特定行人的应用较为广泛,且多应用于安防领域。目前,行人重识别的研究大部分集中于图像检索方面,而针对视频的行人重识别较为匮乏,同时,它的需求却很大。论文将行人重识别和行人检测相结合,利用行人检测来捕获监控视角下所有行人的图像,并用相应的模型来检索这些图像中是否包含特定的行人,从而实现了通过图片查找和定位视频中的特定目标行人。进一步,在完成了行人重识别和行人检测相结合的基础上分别又对行人检测和行人重识别的方法选择做了研究和探讨并对行人重识别的网络进行了改进和优化。针对行人重识别预处理部分即行人检测方面分别使用了以HOG+SVM为代表的传统机器学习行人检测算法和以YOLO v3为代表的基于深度学习的行人检测算法,并分别对两种代表性算法进行了试验。试验结果表明基于深度学习的YOLO v3行人检测算法有更高的识别精度和更准确的行人候选框,因此更加适合当前的研究环境。在行人重识别方面,建立了基础的行人重识别网络模型,并在该模型的基础上,应用了多种数据预处理和数据增强相结合的手段。研究表明在行人重识别基础网络上加入随机擦除、填充（padding）、随机裁剪、随机翻转、随机噪声后行人重识别的识别效果有所提高。根据目标检测的评价指标m AP,模型在market1504的数据集上提高了4.5%,且其rank＿1指标提高了1.2%。针对行人重识别网络在训练后期出现的过拟合现象,采用了在网络中加入Dropout随机断开神经元的策略。实验结果表明在Dropout概率为0.3时行人重识别的过拟合有一定的缓解。同时,在网络最后用Group Norm正则化替换掉Batch Norm正则化后,行人重识别模型能够在牺牲很少的m AP的情况下提前收敛,而网络的Rank＿1指标几乎没有变化。最后,论文针对上述模型拓展了两种基于该功能的应用:（1）定位和查找需要检索的特定行人目标:（2）记录特定行人的路径并绘制出热点图。通过试验,验证了上述两种应用的可行性。