在多媒体技术高速发展背景下,视频监控被广泛应用于公众场合,行人再识别也成为了当前计算机视觉和模式识别领域的研究热点。行人再识别旨在解决监控场景下的跨摄像头行人识别与检索任务。其中,如何降低模型的过拟合风险,如何学习具有相机不变性的行人视觉表达,如何提升模型在跨场景下的性能,如何有效利用无标注数据,是行人再识别在复杂监控场景下的四大关键难题。本文针对这四个关键难题开展相关研究工作,主要围绕数据增强、图像风格迁移、域自适应和重排序四个方面,力求为监控场景下的行人再识别提供理论参考和实践意义。在降低过拟合风险方面,本文提出了一种简单且有效的数据增强方法,用于提高模型的泛化能力;在相机不变性的视觉表达方面,本文提出了一种基于相机风格迁移的数据增强方法,以提高模型对相机变化的鲁棒性;在模型的跨场景自适应和无标注数据利用方面,本文提出了三种无监督域自适应方法,旨在提升模型在跨场景下的性能;同时,本文提出了一种无监督的重排序方法,通过充分利用无标注测试样本之间的邻域关系,加以提升识别精度。本文的主要创新点包括以下五个方面:·为降低深度模型的过拟合风险,提出了随机擦除数据增强方法。本文通过随机遮挡策略丰富训练样本,用于提升模型的泛化能力。该方法不仅能够有效应用于行人再识别任务,还可以便捷地扩展到其它视觉任务。大量实验证明本文提出的方法能够稳定提升不同模型在多种视觉任务下的识别性能。·为缩小不同相机之间的数据分布差异,提出了基于相机风格迁移的数据增强方法。本文利用生成对抗网络实现图像在不同相机下的风格迁移,用于扩充训练样本并提升模型对相机变化的鲁棒性。同时,该方法也被扩展到后续的域自适应问题。实验证明本文提出的基于相机风格迁移的数据增强方法可以有效提升有监督模型的识别率以及无监督域自适应模型在新场景的泛化能力。·为利用行人再识别数据集的特有性质,提出了异构同构学习的域自适应方法。本文基于不同数据集行人不重叠性和域内相机不变性,构建了可用于自适应模型训练的三元组样本。实验证明,本文提出的异构同构学习方法能够有效提升模型在目标数据集的泛化能力。·为利用目标域样本之间的相互关系,提出了不变性学习的域自适应方法。本文通过探究目标域中样本之间的潜在不变性,基于记忆模块和图卷积网络构建了针对不变性的学习框架,该框架能够显著提升模型在目标场景的识别性能。实验证明本文提出的不变性学习方法在三个公开的大规模数据集上都取得了当前领先的性能。·为改善初始检索排序,提出了k-互近邻编码重排序方法。本文通过考虑样本之间的邻域关系,并基于集合编码方法优化图像之间的相似性,从而获得更精确的检索结果。大量实验证明本文提出的重排序方法可以在无需人工交换和标注信息的情况下,稳定提升不同方法的排序结果。综上,本文关注监控场景下的行人再识别研究,针对深度模型的过拟合风险、学习相机不变性特征、模型的跨场景自适应以及无标注样本的有效使用,提出了不同的算法模型,并通过大量实验结果验证了算法模型的合理性和有效性。本文提出的方法具有很强的实用性,并且大多可以便捷地扩展到其他视觉任务中。