随着安防需求的不断扩大以及互联网技术的飞速发展,由监控相机、影视媒体、社交网络等途径产生的图像和视频数据呈现出爆发式的增长,给面向图像和视频数据的处理与分析带来了巨大的挑战。“人”是图像、视频处理与分析的核心对象,近年来,人脸识别、行人重识别、人物搜索、动作识别等以“人”为中心的任务得到了广泛的关注和研究。已有的研究工作在理想的实验场景中已经取得了令人瞩目的进展,然而大部分相关技术还远未达到可以实用的水准。因此,如何在真实场景下对人物进行有效的识别与分析对促进相关应用的落地和普及至关重要,具有重要的理论价值和现实意义。本文立足于提升图像和视频数据中人物处理与分析的智能化程度,对真实场景下人物身份与动作的识别与分析进行了探索,其主要贡献和创新点包含以下四个方面:（1）针对现有行人重识别数据集中图像分辨率低、时空信息丢失、无完整视频帧等问题,本文基于真实场景下的4K视频监控网络收集并标注了一个大规模行人视频数据集（这个数据集被命名为Campus4K）。不同于传统的基于图像或视频的行人重识别数据集,Campus4K不仅提供了更清晰的人物视频,还保留了原始的完整视频帧及其对应的时间信息,并记录了不同摄像机视野在真实世界的空间区域分布。Campus4K可以提供视频数据、时空信息等多样化内容,十分接近于真实的应用场景,也是本文后续研究的数据基础之一。（2）针对真实场景下训练数据匮乏导致的性能退化问题,本文提出了一种基于原始视频和时空约束的无监督行人重识别方法。传统的无监督行人重识别基于根据边界框裁剪得到的行人图像进行学习,虽然去除了身份标签,但其数据分布与真实场景仍然有一定的差异。基于拥有完整视频帧的Campus4K数据集,本文使用检测跟踪算法自动生成用于模型训练的行人轨迹数据,并利用数据集中的时空信息从含有大量噪声的数据中筛选出了可靠的正样本数据,大幅提升了训练数据的质量以及最终无监督行人重识别的性能表现。基于原始视频的无监督学习框架可以充分利用监控网络拍摄的源源不断的视频数据,在真实场景下有着更广阔的应用前景。（3）针对真实世界中多样的检索需求以及复杂的应用场景,本文基于人脸和躯体信息,提出了一种基于多线索联合查询的肖像搜索方法以及一种基于多线索信息融合的行人重识别方法。肖像搜索可视为行人重识别任务的一种特例,旨在通过证件照或画像在人脸可能不可见的大规模数据库中对该人物进行检索,十分贴近真实场景的应用需求。本文使用肖像中的人脸信息对数据库信息进行迭代探索,并结合躯体外观、人物身份互斥性等信息提升了肖像搜索的整体性能;此外,由于数据集清晰度的限制,在行人重识别任务中直接引入质量相对较差的人脸信息对算法性能提升幅度不明显,甚至会带来明显的性能下降。本文从数据库中人物的近邻关系出发,基于图模型和图卷积网络,对人脸和躯体多线索上下文信息进行融合。在基于计算机图形学技术渲染的高清数据集以及本文提出的Campus4K上的实验表明,随着清晰度提升,本文提出的融合模型能从较弱的人脸线索中捕捉辅助行人重识别的有用信息,可有效提升行人重识别模型的性能表现。（4）上述内容主要关注于人物身份的识别与分析,只能被动地在事件发生后对人物进行查询,本文最后关注于人物的时空动作检测,提出了一种基于局部上下文交叉注意力的动作检测方法,主动对视频中人物的动作进行识别与分析。人物动作的识别与检测离不开对周围环境的理解,本文使用基于Transformer结构的交叉注意力网络对人物与局部上下文区域进行关系建模,相较于全局关系建模方式,在减少计算量的同时提高了动作识别与检测的精度。实验表明,本文提出的动作检测模型对于人物目标小、运动速度快、背景杂乱等真实场景下的常见问题有着很好的鲁棒性。综上所述,本文关注于人物身份与动作的识别与分析,重点研究了如何实现与完善自动化和智能化的图像、视频处理技术。同时,本文针对真实场景下面临的数据标注困难、检索需求多样、应用环境复杂等问题,提出了新颖的解决思路,有助于推动相关技术在实际应用场景中的落地与推广。