视频监控技术是计算机视觉领域的研究热点,基于无重叠视域的行人重识别一直都是监控领域的研究难点,具有重要的意义。行人重识别是指根据摄像头下给定的已知目标行人图像,在其他无交叉视域的摄像头下寻找并匹配该目标行人的行动轨迹。但在实际监控中,拍摄图像存在行人姿势变换、光照变化、角度变换等一些影响因素和挑战,从而导致行人图片的分辨率不高,以及明显的视觉模糊,度量学习识别效果受限。因此,本文利用均衡化和局部分块等方法行人图像进行预处理,并利用纹理、颜色等特征融合和多特征分别度量学习的方法,主要针对行人重识别技术中的特征提取和相似性度量两个重要步骤入手研究。本文主要完成的工作以及创新点如下:（1）阐述行人重识别技术的相关理论,主要包括特征提取和相似性度量两部分。首先,通过详细介绍多种典型的行人特征和多种传统相似性度量方法,归纳出单一特征和传统度量方法有一定缺点和不足,然后在此基础上,利用多特征融合和跨视图二次鉴别分析方法（Cross-view Quadratic Discriminant Analysis,XQDA）进行行人重识别对重识别率有一定提高;另外总结了行人重识别技术在实际监控场景中面临的困难和挑战,以及常见的应用场景,为后文研究改进算法奠定基础。（2）提出最小均衡化的图像预处理研究。首先针对单一特征识别效果差的缺点,提出利用纹理、颜色特征等多特征融合,提取部分局部块特征的方法;其次针对行人轮廓不清晰,提出最小直方图均衡化的图像处理方法;然后将最小均衡化处理后的行人特征与XQDA度量学习结合,形成最小均衡化后的行人重识别算法;最后在VIPe R、PKU-Reid、i-LIDS-VID、prid＿2011等数据集中对所提算法进行实验仿真,其中,在数据集VIPe R上的重识别率达到38.13%,相较于现有算法,所提最小均衡化后的行人特征对重识别更有效。（3）在最小均衡化图像的预处理基础上,提出多模型多尺度纹理（Multimodal and multiscale LBP,MM-LBP）融合特征的算法,增强特征的鉴别能力。首先对传统LBP、MB-LBP、圆形LBP、旋转不变LBP等特征进行实验仿真;然后对效果较好的圆形LBP特征进行多模型多尺度融合;最后提出多特征分别度量的距离融合算法。在多个数据集上与现有算法进行对比实验,结果证明所提算法对重识别率有所提高。