监控系统在人们的日常生活中扮演着越来越重要的角色。然而,海量冗长的监控视频使得人工辨识成为一件费时费力的工作。如今,人们对智能监控的需求与日增长,对监控目标进行自动定位与识别更是吸引了众多研究者的目光。行人再辨识技术(Person re-identification)更是由于极具挑战性而受到广泛关注。行人再辨识是一种在跨摄像头条件下对感兴趣行人进行快速搜索与匹配的技术,面临特征提取和表示,相似度度量等一系列难题。本文针对上述难题,引入深度学习技术对行人再辨识进行了较深入的研究,主要工作如下:第一,提出了一种基于词袋模型和深度特征的行人再辨识算法。利用卷积神经网络的卷积层输出作为图片的局部描述子替代了传统词袋模型中的SIFT、SURF等人工设计特征。在Market-1501数据集上的对比试验表明,本文提出的局部特征较人工设计特征具有更稳定的特征表示能力。第二,提出了一种基于改进的三元组深度网络的行人再辨识算法。构建了一种新的TripleNet loss函数,在对负样本对间距离与正样本对间距离之差进行约束的同时,加入了对正样本对间距离本身的约束。与采用标准三元损失函数的深度网络相比,提出的网络在VIPeR、CUHK01等公共数据集上都取得了更好的性能,模型的泛化能力也更强。