随着图像视频识别技术的发展以及全球对城市安防系统的重视,行人再识别问题成为监控视频智能分析、个人相册管理、大型场所人流分析等多领域的研究热点,具有广泛的应用前景,在维护社会治安和提高刑事案件侦办效率方面将起到巨大作用。行人再识别本质上是完成不同场景下的相同身份行人图像匹配任务,锁定的目标从一个摄像头下消失,当该目标在其它摄像头视角下出现时,系统仍能够依据其特征重新锁定。目前完成该任务所面临的难题主要有光照、背景变换的干扰,行人姿势的非固定性以及时空信息的不连续性等等,因此,行人再识别仍然是一个非常具有挑战性的研究任务。论文使用深度学习相关领域的研究方法,以提高行人再识别的匹配准确率和减轻样本标注工作量为目的进行了深入研究。针对早期行人再识别研究中提取的行人图像特征辨别度低、稳定性差的问题,在卷积神经网络提取行人特征的基础上进行改进和更深一步研究,提出了基于PCA降维的多层深度特征融合的行人再识别研究方法。利用经典的LeNet-5卷积神经网络对行人图像进行处理,对卷积神经网络中每一层得到的图像特征进行PCA降维,保留其主要成分,并将各层降维后的特征进行融合,基于欧氏距离判断待查询行人与图像库中各行人的相似性,得到行人再识别的匹配结果。实验结果表明,与已有的行人再识别方法相比,此方法准确率更高。针对目前行人再识别跨数据集测试性能下降严重和训练样本标注成本高的问题,提出采用风格迁移和度量融合的方法。采用循环对抗生成网络将一个数据集中带标签的数据图像风格转换到另一个无标签的数据集上,在风格转换后的数据图像上进行训练,并采用直接度量和间接度量相结合的方式进行相似度度量,在无标签数据集上测试,并将行人图像按相似度由高到低排列输出。实验结果表明,该方法可明显提高跨数据集的行人再识别准确度。