近年来,城市智能化的发展越来越成熟,各大城市都部署了大量的高清监控摄像头,由此获取了大量的视频信息。其中行人数据的智能化分析和利用已经成为了一个重要的研究课题,而行人再识别是指使用计算机视觉技术来确定多个不重叠区域监视摄像机系统中特定行人的身份。本文针对基于深度学习的行人再识别技术进行探讨和研究,主要内容如下:（1）多尺度融合的轻量级行人再识别算法目前基于监督学习的行人再识别网络虽然准确率较高,但是在实际应用中存在硬件资源需求较大和运行效率较低的问题。因此,本文设计了轻量级行人再识别网络模型,使用4个卷积块逐级提取图像从底层细节信息到高层语义信息不同尺度的特征,经过池化操作后将不同尺度的特征信息进行融合处理。融合特征再输入全局注意力模块,通过设置不同的权重参数过滤掉辨识能力差的特征信息,以优化融合后的特征。结果表明,和主流网络架构相比,参数数量减少达到一半以上,并且识别准确率高于传统基准方法。（2）基于局部补偿软多标签的无监督行人再识别算法基于监督学习的行人再识别算法需要大量的人工数据标注,在实际应用中的可扩展性较差。针对缺乏数据标注而导致的算法识别能力下降等问题,本文提出了一种学习局部补偿软多标签的无监督方法,主要由全局聚类、局部聚类和多标签分配组成。在聚类过程中,将局部聚类的结果补偿到全局聚类中,使模型能够充分学习到行人更多的局部特征信息。同时,使用模糊聚类生成软多标签,解决了大量正样本被丢弃的问题,并设置了跨域激励参数以解决域间视图中的背景干扰等问题。结果表明,该方法优于目前常见的无监督学习网络模型。（3）基于人体姿态增强软标签学习的半监督行人再识别算法基于无监督学习的行人再识别算法虽然可以解决数据标注缺乏的问题,但是因其完全舍弃标签信息,导致识别准确率不够理想。所以,本文使用少量标签信息来优化无监督学习,设计了一种基于半监督学习的行人再识别网络,并利用人体姿态增强进行软标签学习。首先使用有标签数据训练一个准确的行人姿态引导的遮挡预测器,可以在无标签训练时有效地屏蔽遮挡产生的影响;然后,在结合预测器生成准确的特征向量后,计算特征亲和度矩阵,并生成软标签信息来优化网络。在三个公共数据集Market-1501、Duke MTMC-re ID和MSMT17上进行了实验,结果表明了该方法的有效性和可靠性。