行人重识别（Person Re-identification）主要关注跨视域的人物身份识别问题,在安防、智能机器人和新零售等领域具有广泛的应用前景。行人外观变化、图像分辨率和场景环境等因素使该任务极具挑战,而基于传统人工设计特征的行人重识别方法已经难以满足应用需求,本文结合卷积神经网络提取特征的优势,从全局特征表达、局部特征表达和场景行人搜索角度对行人重识别问题开展研究,有效地提升了行人特征表达的判别性,具有积极的科学意义。为了提取更鲁棒的行人全局特征并充分利用样本的监督信息,本文提出了一种改进的三元组网络模型和递进式的两阶段训练策略。首先,应用改进的Softmax损失函数指导卷积神经网络学习基于球面约束的特征嵌入空间,其能够提升类间样本的区分能力;然后,为了更好地区分异类间较相似的样本和同类间差异较大的样本,结合基于余弦距离度量和批量硬样本采样策略的三元组损失函数对模型的参数进行精调,进一步提升行人特征的判别性。本文所提出方法充分考虑了多分类损失函数和距离度量损失函数的优势,通过设计的递进式训练策略实现了较好的模型训练效果。在Market-1501和DukeMTMC-reID数据集的实验结果表明,本文所提出的算法能够有效提升行人重识别性能。考虑到监控场景的复杂性,对所捕获图像仅仅进行全局性的行人特征表达,难以使模型有效应对部分遮挡及复杂的姿态变化。从全局特征和局部特征联合表达的角度出发,本文设计了一种多分支卷积神经网络（Multi-branch Convolution Neural Network,MB-CNN）,基于局部区域卷积的基本模型（Part-based Convolutional Baseline,PCB）进行扩展,引入了新的全局特征提取分支,并基于精调的局部区域采样（Refined Part Pooling,RPP）的诱导学习策略改善硬分割中各条纹区域内局部特征信息的不一致性（Within-part Inconsistency）。同时,通过引入三元组约束的距离度量学习方法,使多分支卷积神经网络重新学习更具判别性的特征嵌入层,从而改善多分类在行人重识别问题中的性能退化问题。实验结果验证了本文所提出方法的有效性,MB-CNN模型在Market-1501数据集上实现了 82.3%的mAP识别率。行人搜索问题是将行人检测算法和行人重识别算法结合到一个深度学习模型中,从而在场景图像中实现行人匹配和身份识别。针对大规模分类的少样本学习问题和联合训练中不同任务之间的特征粒度问题,本文提出了改进的行人搜索网络模型（Improved Person Search,IPS）,该模型通过引入新的行人重识别分支,降低了模型过拟合风险,并提升了行人重识别分支的细粒度特征表达能力。为了更好地权衡行人检测和行人重识别任务之间的特征学习粒度问题,本文引入了平衡因子,能够将OIM损失函数与原有的Faster-RCNN损失函数进行更有效的加权,从而帮助模型在多任务联合训练中取得更好的表现。最后,本文设计了一种预训练策略,通过为行人搜索网络的行人重识别分支提供初始化的权重参数,有效地提升了模型的收敛速度和泛化性能。在相关数据集上的实验结果表明,与行人搜索基础模型相比,本文提出的IPS模型实现了约3%的Rank-1排序匹配性能提升。