随着智慧城市的建设,世界各地的城市都安装了大量高清监控摄像头,产生了大量的监控视频,以及公共安全的需求日益增加,促使了行人重识别技术的发展。本论文主要研究基于重排序的算法和基于视频序列的算法。针对基于重排序的行人重识别研究,首先,本文基于k-倒排编码算法模型,为解决遮挡问题,提高行人重识别模型的泛化能力,本研究使用随机消除做数据增强,并且对特征提取骨干网络的Res Net-50做了改进,提升了特征提取的丰富度。在网络架构中的池化层,同时使用平均池化和最大池化,从而同时保留全局和局部信息。其次,为了使行人重识别研究更接近实际应用场景,本文还研究了基于视频序列的行人重识别。为了提高性能、缓解梯度爆炸问题,本研究使用了一种预热策略来训练网络。为弥补三元组损失的缺陷,使类内更加紧凑,本研究引入了中心缺失,同时为每个类的深层特征学习出一个中心,惩罚深层特征与对应的类中心之间的距离。最后,在实验部分,本文对基于重排序的行人重识别在两个数据集Market-1501、Duke-MTMC上做了对比实验,并分别在Res Net50和Dense Net两个网络架构上对比网络改进带来的性能提升。在Mars数据集上对基于视频序列的行人重识别设计了对比实验。实验结果证明模型算法的改进所带来的性能提升是显著的。