随着智慧城市的建设和公共安全的普及,监控数据量日益增加,人工的视频监控已经不能满足人们的需求,智能监控的技术应用迅速成为了一个研究的热点。其中行人检测与再识别是智能监控的一个热点研究领域。近几年来随着深度学习的发展,行人检测与再识别技术也随之提升。基于此,本文主要针对行人检测问题提出了基于重合框概率加权算法、针对行人再识别问题做出了抑制非相关神经元的改进并实现基于多区域全卷积网络识别行人动作属性。具体工作如下:研究并实现了一种基于重合框概率加权的Fast-RCNN行人检测算法,采用两级输出的方式实现目标图像的行人检测。首先判断目标图像中是否有行人,进而对有行人的图像回归计算出行人的坐标。在坐标计算过程中,针对重合的检测框采用概率加权的方式提高行人坐标的定位精度,并在INRIA、Caltech公共数据集进行实验,INRIA数据集的误检率从14%提高到8.3%,Caltech数据集的误检率从12.86%降低到11.96%。研究并实现了一种基于非相关神经元抑制的行人再识别算法。在分析卷积神经网络行人再识别的过程中,发现并不是所有学习到的特征都具有积极意义,有些甚至有负面影响,为此本章提出了一种基于非相关神经元抑制卷积神经网络的行人再识别算法,引入神经元相关性评价指标,对训练所得各个神经元的有效性进行评价,并在网络训练过程中对非相关神经元进行抑制。在公共数据集上的实验结果表明,本章提出的基于非相关神经元抑制的卷积神经网络,能够提升行人再识别的性能,对于样本量大的数据库,效果尤为显著。设计并实现了一种基于多区域检测全卷积网络的行人动作识别算法。该网络能够提取多个感兴趣区域,并把多个与目标区域具有相似特征的权值相加来提高精度。实验结果表明该算法能够在训练过程中提取多个相似性特征区域并加权,从而提高行人动作的识别精度。综上所述,本文基于卷积神经网络的深度学习的框架针对行人检测提出基于重合框概率加权的Fast-RCNN行人检测算法,根据检测出来的行人静态图像提出非相关神经元抑制的行人再识别算法进行行人在识别,同时提出基于多区域检测全卷积网络的行人动作识别算法,并在不同的公共数据集上进行了实验验证,实验结果表明本文提出的算法针对行人检测和识别问题有效可行并在准确率上有所提高。