行人重现识别是指在监控摄像网络中发现特定目标行人的任务，相关研究成果可用于安全监控和智能侦查等领域。该问题对于国家安全具有重要的意义，其研究具有较好的理论意义和应用价值。　　行人重现识别算法通常由特征提取和度量学习两部分组成。在传统的方法中，通过对这两个模型分别设计优化算法，从而整体上实现较好的重现识别效果。但是，对两个部分的分开设计并没有考虑他们之间的相关性。因此，虽然在单个部分上能够达到局部最优，但是在重现识别的整体任务上仍然难以达到全局最优。针对这一问题，本文提出一个基于二阶相似度的连体深度网络。该网络由一个深层卷积神经网络和一个改良的二阶相似度模型组成。在统一的大间隔目标函数监督下，这两个模型能够同时完成优化。其中深层神经网络能够从数据中学习得到具有丰富判别信息的特征。而改良的二阶相似度模型能够更好地拟合特征之间的复杂关系。同传统的基于马氏距离的度量学习相比，由于二阶相似度模型具有局部调整的能力，因而更加适合行人重现识别任务。而为了解决行人重现识别数据集规模较小，难以训练大规模神经网络的问题，本文采用了在无关大数据集上预训练和在相关小数据集上微调的优化策略。实验结果体现了本文提出的模型相对于其他算法的优越性能。　　在现阶段的行人重现识别方法中，行人图像需要通过人工标注得到。而在真实的应用场景中，人工标注难以实现。而通过行人检测算法来获取候选行人区域会产生大量和目标行人极其不相似的区域，这些无关候选集导致了大量不必要的复杂度较高的重现识别计算。为了提高行人重现识别算法的适用性和计算效率，本文提出了基于全卷积网络获取目标行人前景热度图的方法。由于与目标行人极其不相似的区域通常热度响应值较低，可以基于平均热度响应值的统计去除大量无关候选区域。而整个过程仅需要一次全卷积网络的前向传播计算，算法整体的计算效率得到了大幅提升。实验结果表明本文提出的方案在保证实验性能的同时，计算效率明显优于行人检测+重现识别结合的方法。