行人重识别是一项重要的视觉任务,其目标是从不同视角的摄像头照片中识别出哪些是同一个人。目前,行人重识别仍然是一个极具挑战性的工作,主要是因为光照条件的不确定性,行人姿态的变化,摄像头的差异和图片质量等因素的影响,给识别两张图片是否是同一个人带来了较大的困难。为了提升行人重识别深度网络的性能,本文从四个不同的角度改进基准算法:1)针对训练中样本对不均衡以及样本重要性不同的问题,设计一种能发掘重要三元组的验证损失函数。创新性具体为两方面,一是利用样本属于某一类的概率代替欧式距离作为新的度量方式,另一方面设计一种度量三元组重要性的方式,以挖掘出三元组中重要的样本并根据重要性赋予三元组不同的权重,使得三元组能被区别的对待。在多个数据集上,该方法与基准方法相比,正确率有明显提升。2)针对图像对中图像块误匹配的问题,设计一种能局部匹配图像特征的损失函数。该损失函数能改进动态时间规整算法,并将其融合进三元组损失函数中,使得度量两张图片的相似性时,能将图片最相似的局部匹配起来。在多个数据集上,该方法与基准方法相比,正确率有明显提升。3)针对深度特征表示图像细节信息能力不足的问题,设计一种能融合神经网络高低层特征的网络结构。该方法将网络的低层输出和高层输出按照顺序排列,组成一个“时序”,依次将其作为GRU的输入,并将GRU最后的输出作为融合后的整体特征。这样的结构使得高低层特征有更直接的通道融合在一起,而不必经过冗长的卷积层。在多个数据集上,该方法与基准方法相比,正确率有明显提升。4)针对网络训练过拟合的问题,设计一种能保持图像原始信息和判别性特征的网络结构。该方法在原始网络的基础上,增加一个子网络,将原始网络输出的特征作为输入,重构整个图片,并以图片结构相似性（SIMM）作为相似性的度量。使用该方法训练的网络,正确率比基准网络稍好,且泛化能力更强。总之,为了提升行人重识别深度网络的性能,本文从样本挖掘,网络结构,特征融合,训练方法的角度对基准方法做出了改进,并取得了良好的效果。