行人再识别是计算机视觉领域中一个非常重要的研究课题。利用行人再识别技术,可以高效的检索视频监控数据,快速获取目标人物的线索,为勘破案件赢得宝贵的时间机会。行人再识别是利用计算机视觉技术,判断图像或者视频序列中是否存在特定对象或行人的技术,被认为是一个图像检索的子问题。行人再识别的常规流程是:首先给定一个感兴趣的行人图像,依次与不同摄像头下出现的行人进行特征匹配,再根据特征匹配的结果,判断出行人依次出现在何处。在实际场景中,行人的运动轨迹不受约束,行人可能在不同的时间段中出现在不同的摄像头下,会出现光照、尺度、姿态、视角的变化,以及行人被遮挡与背景杂乱等问题,从而导致同一个行人可能会有不同的特征表示。本文主要研究单张图像与视频序列两类不同数据集下的行人再识别技术与算法问题。本文是基于深度学习提出了两类不同的网络模型,分别解决相应情形下,行人再识别时所遇到的技术问题。本文的主要工作如下:针对单张图像类型的数据集,本文提出了一种基于掩膜对齐的卷积神经网络模型,以解决行人再识别中的行人图像未对齐和背景杂乱的问题。本文算法利用全卷积神经网络与全局平均池化操作,实现了掩膜对齐模块,进而通过掩膜对齐模块解决行人未对齐问题。同时,考虑到卷积神经网络中不同层级的卷积核,提取的特征信息不同。本文在所提出的卷积模型中,添加了多特征融合模块,通过融合多级别的特征信息,获得鲁棒性较强的行人特征表示。针对视频类型的数据集,本文提出了一种时空注意力网络模型,用来解决行人再识别中出现的行人被遮挡以及背景杂乱的问题。对于时空注意力网络模型,利用空间注意力模块与时序注意力模块,充分挖掘视频序列中的行人特征信息。通过空间注意力模块,提取行人图像中行人的关键特征信息,增强行人再识别模型的特征提取能力。同时,通过时序注意力模块,模型可以有效的关注视频序列中的重要帧,从而充分的提取行人特征。