近年来,在“平安城市”和“智慧城市”等工程的推动下,大规模的安全视频监控系统已经开始在我国大城市广泛使用。该系统在打击犯罪、提高城市安全管理水平方面和维护社会稳定方面正发挥着越来越重要的作用。该系统不仅需要满足图像、视频等数据的采集、传输、存储和显示等基本需求,更需要具备对数据的智能分析功能。如何有效地对系统所采集的图像视频数据进行智能化地分析与处理一直是研究者们研究的重点。行人再识别(PersonRe-identification)作为一种重要的智能视频分析技术,近年来受到了国内外众多研究者的关注。该技术主要用于判断出现于不同摄像机视域下的行人图像是否为同一行人目标,有助于在大规模监控网络中对特定行人目标的进行快速有效地检索。各国的研究者为此已经进行了大量的研究。但是,鉴于监控场景的多变性和行人外观变化的复杂性,行人再识别依然是一个十分有挑战性的研究问题。针对跨视域行人再识别目前所存在的问题,本文主要开展了以下三方面的研究工作:1)学习一个有效的距离度量函数是行人再识别的关键问题。目前大多数度量学习方法都采取全局决策规则,在面对更为复杂的类间和类内变化时,往往无法学习到一个性能良好的度量函数。鉴于这一问题,本文在第二章设计一种基于局部自适应决策函数的度量学习方法,可以同时在源特征空间和辅助特征(特权特征)空间进行度量学习。给定一对行人样本,其在特权空间上的距离将被用作局部决策阈值,用来指导在源特征空间上的度量学习。源特征空间上学习到的度量矩阵将被用于最终的行人再识别。本文提出的方法在多个行人再识别数据集上与传统的基于全局决策规则的方法进行了充分的实验对比,取得了良好的实验效果。2)现有的行人再识别方法大多是全监督的,依赖于大量的有标记训练数据。然而,标注大量的训练数据是一件成本高昂且十分耗时的事情。针对这一问题,本文在第三章提出一种面向行人再识别的自训练子空间学习方法,可以有效地利用有标记数据和无标记数据学习一个低维的判别子空间。首先利用有标记数据学习一个初始的低维映射,并利用这个映射矩阵将所有的无标记样本映射到一个初始子空间,再通过挖掘近邻来建立无标记样本之间的伪成对关系,进而可以和有标记样本相结合学习一个判别映射。最后,采用迭代学习的方式更新伪成对关系并学习判别力更强的映射。本文的方法在多个行人再识别数据集上进行了评估,在同等条件下,相比仅使用有标记训练数据的全监督方法,本文的方法可以获得了显著的性能提升。3)传统的行人再识别方法对于特征表示和度量学习是分开进行的。一旦在特征提取阶段丢失了重要的特征信息,将直接影响距离度量的学习。本文提出了一种端到端的深度度量学习方法,可以联合学习特征和度量。主要贡献在于设计了一种结构化的深度度量学习目标函数。在这个目标函数中,每一个正样本对可以同时和所有负样本对进行对比,进而挖掘特征空间的局部结构关系;并且,每一个正样本对被自适应地分配了一个权重,用以调节其对网络训练的贡献;另外,该目标函数还包含一个利用正样本对距离的方差所设计的“全局”损失项,用以提升网络的泛化能力。本文所提出的深度度量学习方法在三个大规模行人再识别数据集上进行了评估。相比基准方法,本文的方法可以获得较高的性能提升。综上,本文针对行人再识别任务存在的问题,分别提出了一个基于局部自适应决策函数的度量学习方法、一个基于“自训练”机制的半监督子空间学习方法和一个结构化深度度量学习方法。大量的实验结果表明了本文所提出的三个方法的合理性。