随着社会的进步,以社会治安为核心的公共安全体系吸引了越来越多人的关注,而视频监控系统是该体系的重要基础。与此同时随着监控系统的不断完善,海量监控数据的高效分析对于以刑事侦破为主的治安管理有着非常重要的意义。行人重识别(Person Re-identification)任务的核心目标是将视角不相交摄像头下的目标进行关联匹配。由于视角,光照,分辨率等因素的不同,该任务在实际场景下有着非常大的挑战性。近年来,随着人工智能的发展,以深度学习为核心的行人重识别算法取得了巨大的突破,但是相比于人脸识别和目标检测等经典计算机视觉任务,行人重识别到投入实际使用还有着一定的距离,这其中最重要的原因之一即高昂的数据标注代价。相比于该领域的监督学习算法,利用更少标注信息的弱监督方法还有着十分显著的性能差距。因此,本文主要对行人重识别的弱监督方法进行研究,利用基于全局的辅助存储空间分别提出了一种无监督和一种半监督的学习方法,并对近年来相关系统进行分析后提出了基于场景自适应的跨镜行人检索系统。该系统将模型训练和检索进行集成,实现了理论算法和实际应用的结合,主要贡献可以归纳如下:1.对基于辅助特征空间的基准方法ECN进行分析并提出主要缺陷:过高的训练代价、训练初期过多噪音、不合理的邻居选择方法。在此基础上提出了一种基于循环一致性匹配的多阶段的无监督行人重识别学习方法.首先通过样本样本学习、摄像头内学习、摄像头间学习的顺序一步步构建样本之间的联系,接着提出了样本关联表以及基于循环一致性的邻居选择方法One Shot和IOU。通过以上方法,不仅降低了基准方法对GAN的依赖,降低了训练代价,同时很好的平衡了邻居选择准确率和召回率之间的关系,最后通过实验证明了本文方法的有效性。2.通过对不同监督方式的行人重识别方法进行分析引出了半监督方法的优点,在上述无监督方法的的基础上通过添加代价较小的部分标签信息,提出了一种基于邻居选择的渐进软标签半监督的行人重识别方法,实现了性能的显著提升。该方法利用摄像头内部标签构建了半监督学习框架,然后通过基于类同矩阵的邻居选择方法确定权重,并在此基础上引入渐进软标签的概念,最后提出利用渐进软标签的分类和判别损失实现网络训练。实验证明该方法在公开数据集上能够取得显著的性能提升。3.在上述方法的基础上,开发了一套基于场景自适应的跨镜行人检索系统。首先针对当前现有的行人重识别系统进行分析,并介绍了该系统的特点和优势。一方面,针对行人重识别模型在不同场景下泛化性能低的问题,该系统将近年来较为经典的优秀方法进行了集成并提供统一的算法接口,可以针对不同场景灵活的训练所需要的模型;另一方面,该系统所有功能都是基于Web实现,因此通过简单的交互即可使用检索和训练等功能模块,方便快捷。