随着视频监控覆盖面积的逐步增大,行人出现的频次也逐渐提高。目前,通过视频监控数据,利用数据分析的方法检测、跟踪、再识别行人,已成为智能交通、安防系统的主要技术手段。但在现实场景中,由于行人活动范围存在于多个摄像机中,且同时存在视角、光照、姿态、背景杂波和遮挡等问题,导致无法准确快速地对行人进行检测、跟踪以及再识别。因此,多摄像机行人跟踪成为当前的研究热点问题。首先,在行人检测方面,针对远距离及小尺寸行人难以检测,极易受到复杂背景的干扰,并且分辨率低、有效信息少等问题,提出一种在复杂背景下结合Faster R-CNN检测远距离及小尺寸行人的改进算法。运用混合高斯模型,解决复杂背景干扰的问题,及时去除视频的背景信息,提取视频图像的前景。为了进一步解决分辨率低且有效信息少的问题,采用双线性二次插值方法增强图像的分辨率,并采用多尺度特征融合弥补有效信息的不足。实验结果表明,不同场景下行人检测精度均有所提升,其中远距离及小尺寸行人的检测精度提升地更为明显。其次,在行人跟踪方面,针对拥挤场景中行人始终具有相似的外观,且存在遮挡,相交的轨迹,也可能存在易丢失的数据以及摄像机的移动等问题,提出了一种基于YOLO的多行人在线自适应跟踪算法。YOLO跟踪速度快,能对拥挤场景中的行人进行跟踪。针对视频流的不断存储会占用大量的内存空间的问题,采用动态样本集的方法,保证有足够的存储空间来存储样本,并加强跟踪的实时性。考虑到行人运动的方向在极大多数情况下都是非线性,采取马尔科夫链,将近似程度相对高的小轨迹拟合为行人的完整轨迹。在PETS 2009数据集和TUD数据集上验证本文所提的方法,证明了本文所提算法的合理性。最后,在行人再识别方面,针对传统行人再识别算法容易受到不同视角、光照、姿态、背景杂波和遮挡的影响,提出了一种基于关节分割的行人再识别方法。在关键点分割上,采取关节分割的方法,将行人整体分为全局特征和七个局部特征。在度量学习上,采用WT损失函数,使得正例可以更加接近锚点,负例更加远离锚点。在Market-1501数据集上进行了训练和测试。实验结果表明,所提方法的Rank-1和m AP分别提升至88.6%和72.4%,其在多摄像机系统环境下,取得了较好的检测效果。最后,基于多视图环境,将单视图与多视图的融合进行了对比分析,结果表明,摄像机视图的融合有助于改善检测的结果。