随着智能视频监控的兴起和人们的公共安全意识逐渐增强,行人再识别技术逐渐成为研究的热点。行人再识别(Person Re-identification,re-ID)是指判断不同监控摄像机下出现的行人图像是否属于同一行人。本文在国内外相关研究成果基础上探讨了一些新的行人再识别思路。首先,针对视域不相交的摄像机下存在的行人自身差异和视角差异问题,首先研究视觉特征提取和交叉视图映射模型学习,然后在行人相似度排序上,通过迭代重加权的稀疏表示方法对不同的行人样本赋予不同权重来抑制离群值的干扰从而得到一个鲁棒的匹配模型。其次,针对视域不相交的摄像机下图像光照变化和提取完整判别性特征的问题,研究局部最大概率特征与交叉视图映射模型学习相结合的行人再识别算法。首先对行人图像提取局部最大概率特征,从而克服光照变化和提取完整判别性特征,然后对交叉视图映射模型学习,利用学习的映射模型进行行人特征变换,从而消除不同摄像机拍摄区域的特征差异,最后进行距离度量和排序。最后,针对行人图像背景干扰鲁棒性不能较好的应对导致算法性能降低这一问题,首先研究深度分解网络(Deep Decompositional Network,DDN)模型对前景进行准确有效地提取,从而达到抑制背景干扰的目的,并提取图像的视觉特征,然后学习交叉视图映射模型进行特征变换,最后进行距离度量和排序。