随着计算机视觉的迅速发展及智能监控设备的大量普及,行人重识别技术应用愈发广泛。行人重识别技术旨在匹配不同的实时监控场景中属于同一个人的所有图片,对视频监控中的行人图片进行检索与识别,建立目标行人的身份关联信息,为智能安防、智能寻人、智能商业、自动驾驶提供了技术支持。然而,在实时监控场景中面临着环境、遮挡、视角变化等诸多挑战。在国内外研究的基础上,本文从特征表达与度量学习两大主流方向展开工作。从上述两个方面,分别提出一种新型特征融合方式与考虑交叉视图下非线性变化的度量学习算法。本文主要工作如下:从行人重识别技术研究的背景、意义、面临的挑战及发展趋势等方面进行阐述。基于多特征融合算法行人重识别研究。保留不同特征的信息量,将不同原始特征进行组合。根据马氏距离的大小与Softmax函数模型确定权重融合得到的多个新的图像特征。由新的图像特征得到多个相似度距离,引入改进的人工鱼群优化算法进行对多个相似度距离进行权重优化,得到性能更优的相似度函数。基于度量学习算法行人重识别研究。在处理高维小样本数据时,对于协方差矩阵逆的估计通常由于数据集较小容易产生较大的偏差。考虑在不同视图之间人的外观经历复杂的非线性转换,提出在非线性跨视图二次判别法的基础上引入最小误差分类与平滑技术,实现非线性度量学习的同时有效提升协方差逆矩阵的估计精度。验证本文提出的特征提取及度量学习方法的有效性。在多个数据集上,进行了算法性能验证。实验结果表明,本文提出的特征提取方法及度量学习方法都能获得更优的识别精度和鲁棒性。