随着科技的发展和公共安防需求的增加,智能监控系统的部署成为了一种流行趋势,其核心是行人再识别技术。本文首先简要介绍了行人再识别研究的意义、现状、挑战;接着深入研究行人再识别的理论知识,概述了行人再识别发展至今的经典算法;然后针对行人图片错位、遮挡、无关信息干扰等问题,对融合全局特征与局部特征的行人再识别算法进行研究,以上述两种类型特征的有效提取方法为切入点,做了以下研究工作和算法创新。第一个工作是提出一种结合金字塔卷积和水平条纹的行人再识别算法。该模型有两个支路,一个用于全局特征提取,另一个用于局部特征提取。全局特征提取时,不同图片中行人尺寸、位置不同造成无关背景信息干扰网络分类预测结果,针对该问题,使用有多尺度卷积核的金字塔卷积学习不同尺度下的行人深度特征表示,提取不同图片中大小不一的行人全局特征。局部特征提取时,针对行人姿态变换、错位等问题,使用经典的特征图水平分块方法。对两个支路提取的全局特征和局部特征进行特征融合得到具有鲁棒性的特征表示,最后进行分类预测。延续上述算法结合全局信息和局部信息的思想,并在其基础上引入度量学习方法和特征图竖直切分方法,提出一种多方向分区网络结构的行人再识别算法。该模型有三个分支,分别为一个全局分支和两个局部分支。在全局特征提取时,使用度量学习方法在特征空间内拉近相同行人的图片并推开不同行人的图片,有效降低了图片中无关背景信息对全局特征提取的干扰。提取局部特征时,在第一个工作的基础上增加了特征图竖直切分的方法,水平和竖直切分相结合使模型提取到鲁棒性更强的局部特征。最后,在多个数据集上进行大量实验与综合分析,结果表明本文所提算法均性能良好,能有效提取全局特征和局部特征。其中第二个算法性能更优,在跨模态素描数据集上依然表现优异,表明该模型具有较强的鲁棒性和泛化能力。