由于视频监控系统的普及,在各种公共场所都布置了摄像头,为行人的跟踪提供了大量监控视频。这对于人工监控分析视频的方式来说一来耗费大量人力物力,二来速度慢、效率低,因此基于行人重识别的视频智能分析方法成为迫切需求的技术。行人重识别技术在不同摄像机场景收集到的行人图像中识别出某个行人的图像,广泛应用到视频监控等邻域。由于场景不同导致的光照、拍摄视角变化使得行人在不同场景的图像外观差异大,这给行人重识别带来一定的困难。字典学习方法是重要的行人重识别方法,可以更好地表达不同姿态、光照变化、目标遮挡以及尺度变化等图像的特征,得到较好的识别率。但目前的字典学习方法,对不同摄像机视角行人特征的联系考虑不足。为此,本文提出一种新的基于字典学习和Fisher判别稀疏表示的行人重识别方法(DLFD)。本文将Fisher判别准则应用到传统字典学习框架中,考虑了不同场景中同一行人的特征应该具有相似的稀疏表示,提出行人重识别离散度函数的概念,加入约束稀疏表示的正则化项,最大化不同行人稀疏表示的类间离散度,同时最小化同一行人稀疏表示的类内离散度,通过学习到的字典可以得到较强区分识别能力的稀疏表示。并且在国际公开数据集VIPeR、PRID 450s和CAVIAR4REID上设计实验,实验结果展示了本文方法的识别率高于目前基于字典学习的行人重识别方法,验证了本文的字典学习框架对于提高数据集识别率的有效性。并且,本文探讨了深度学习方法在行人重识别问题上的应用,把深度学习加入到字典学习框架中,提出了一种新的基于深度学习和字典学习的行人重识别方法。即通过定义的深度卷积网络结构提取行人图像特征,作为字典学习方法所使用的特征。通过实验表明基于深度特征,相对于其他字典学习行人重识别方法,本文提出的字典学习框架仍能在图像数据集识别率上保持领先优势。