目标身份识别在实际应用中有着重大的现实价值。本文旨在研究非配合场景因目标自身及外界环境变化等因素影响,使得生物特征判别性不足,导致目标身份识别准确度低的问题。本文第三章针对人脸特征变化较大导致人脸识别准确度低的问题,提出一种基于相似度融合的鲁棒人脸识别方法。受第三章启发,第四章提出一种基于人脸-行人特征融合的目标动态身份识别方法,通过人脸与行人特征融合的策略增强目标身份信息,提高真实监控场景目标身份识别准确度。基于第四章的研究,第五章提出一种基于人脸-行人相似度融合的目标动态身份识别方法,通过多模态特征相似度匹配融合决策,进一步提高识别准确度。本文的主要贡献有以下:1.因目标年龄跨度大、人脸伪装及大角度等因素影响,特征发生较大改变,导致主流人脸识别方法的识别准确度低且鲁棒性弱的问题。针对这个问题,第三章提出一种基于相似度融合的鲁棒人脸识别方法。可利用目标与比对库间间潜在关联信息识别目标身份。首先,设计了关联学习层模型,提取目标关联特征;然后,设计了关联融合层模型,将多个关联特征融合,得到增强特征;最后,对增强特征进行身份识别。从CASIA-Web图像集中制作了6个实验数据集,本章方法在face@1000数据集与face@2000数据集的top1准确度比Sphere Face算法分别提高了7.45%、10.89%。同时,实验表明本章方法的鲁棒性更强。2.真实监控场景中,因摄像头安装位置与角度、目标活动与光线变化,造成单模态目标特征判别性不足,导致基于深度学习的身份识别方法准确度低。针对这个挑战,第四章提出一种基于人脸-行人特征融合的目标动态身份识别方法。通过人脸和行人特征融合,获得更多目标身份区别信息,并利用相似度融合降低身份误判概率。首先,设计人脸-行人特征融合模型,并通过数学推导证明;然后设计相似度融合决策,将多个目标相似度结合,进一步提高识别准确度。从真实监控图像中制作6个测试集,本章方法的平均识别准确度为88.04%,较Insight Face模型与PCB+RPP模型分别提高了38.16%与1.42%。结果证明本章方法通过人脸-行人特征融合增强了目标的判别信息,且相似度融合策略是有效的。3.第五章对不同模态特征相似度的匹配融合机制进行研究,提出一种基于人脸-行人相似度融合的目标动态身份识别方法。首先,设计了归一化模型,使得不同模态特征的归一化相似度转化到同一空间;然后,提出一种多模态特征相似度匹配融合机制,对人脸、行人及人脸-行人融合三种模态特征的归一化相似度融合决策,得到概率最高的目标身份。在6个测试数据集上,本章方法的平均识别准确度为88.46%,较Insight Face模型与PCB+RPP模型分别提高了38.58%与1.48%,且本章的识别准确度在第四章基础上进一步提高了0.42%。结果表明,本章方法设计的归一化模型可有效地将不同模态特征相似度映射到同一空间,且提出的匹配融合机制得到人脸、行人及人脸-行人融合三种模态特征相似度更佳组合结果。综上研究,针对非配合场景目标身份识别遇到的一些挑战,本文提出了三种提高识别准确度的方法。实验证明本文方法的有效性与可靠性。