在现实视频监控场景,摄像头为了能够最大区域的覆盖场所,一般会选择将其安放在比较高的角落,这导致拍摄到的图像画质受到严重影响,任何不确定因素都会导致行人属性的不平衡,从而影响判别方法的性能。此外,行人重识别技术一直是视频监控领域的研究热点,并衍生出许多相关领域的理论研究和方法。然而,作为一种更普遍的行人识别方法,主流行人重识别算法未关注行人局部属性特征的识别,因此面临巨大挑战。行人重识别技术面临的问题可以归纳为以下三个方面:1)如何解决行人属性不平衡问题以提高行人识别精度;2)如何改进卷积神经网络结构以学习到更细节行人属性特征;3)如何更有效设定行人区域分割方式以实现端到端行人重识别模型。针对上述问题,本文的主要研究工作可以分为以下二个方面:1.行人重识别技术受摄像头拍摄距离,角度,行人密集度和镜头遮挡等因素影响,这些不确定因素都会导致行人属性不平衡,从而降低行人重识别的识别性能。本文提出一种基于属性敏感卷积神经网络的行人属性分类方法,对图像中的行人属性进行分类,该方法首先调整现有的多属性卷积神经网络结构,使其能够感知更加细节的行人属性。其次利用误差反向传播的方法去更新卷积神经网络中的权重,使网络模型能够对少类属性敏感。解决了行人属性不平衡问题对行人重识别的影响。2.为了能够挖掘更加细节的行人属性特征,本文提出一种端到端行人重识别模型,首先利用神经网络自适应学习行人身体部位裁剪参数,再利用裁剪参数对行人关键部位切割,每个关键部位使用属性敏感卷积神经网络提取属性特征,其次用属性敏感卷积神经网络学习行人全局身体属性特征,最后融合全局和局部身体属性特征用以行人重识别。为了验证本文提出的行人重识别模型有效性,在多个视频监控视频集上进行对比实验。实验表明,本文提出的方法能够很好的处理行人重识别任务。