随着现代科技发展迅速,城市各个角落都遍布着监控摄像头,随之也产生了大量的视频数据。如何在多个摄像头中对某一特定行人或车辆进行查找,在实际监控系统应用中有着重要意义。本文对视频中的跨摄像头车辆与行人检索进行了研究,并设计了相关算法。传统的检索框架是通过目标检测得到待检索对象再进行目标检索,本文研究的方法与传统的检索框架不同之处在于:在目标检测与目标检索步骤之间加入了目标跟踪步骤,通过目标跟踪使得检索目标的信息更加具体全面,将单样本的检索问题转化为多样本的检索问题,从而在检索时有更好的鉴别能力。此外,除了通过特征匹配进行检索外,本文还对待检索目标在视频中出现的时间与位置进行了处理,提出了一个局部平均相似度排名的概念,通过局部平均相似度排名来预测目标在视频中出现的大致时间段,再对该时间段内的检索结果进行位置判断来优化结果,使得检索结果更加精准。在本文设计的跨摄像头车辆与行人检索算法中,采用了基于深度学习的目标检测与目标检索方法。通过传统目标检测算法与基于深度学习的目标检测算法的对比,验证了深度学习算法进行目标检测的优越性。在目标检索部分采用了改进后的卷积神经网络特征对车辆与行人进行检索,并分别针对车辆与行人两种类别的不同特性设计了两套不同的检索方案。本文对提出的视频中的车辆与行人检索算法进行了实验,使用了真实的监控视频数据作为实验数据,行人部分使用了全国研究生智慧城市视频分析技术挑战赛跨摄像头行人跟踪比赛数据,车辆部分使用了全国研究生智慧城市视频分析技术挑战赛精确车辆检索比赛数据进行实验,并与其它方法进行了比较。