近年来,随着监控摄像头的普及和城市安防的需要,行人重识别成为了计算机视觉领域越来越重要研究的课题。其潜在的应用领域也越来越宽广,在刑侦破案、智慧城市、无人超市等领域有着广泛的应用前景。早期的行人重识别技术是通过手工提取行人图像的特征,如今基于深度学习的方法在行人重识别技术上应用已成为研究的热点。针对行人重识别,相关研究者已经做了很多的工作,然而依然存在一些需要解决的问题。一方面行人重识别数据采集困难,数据的标注需要额外的人工成本。现有的行人重识别数据集规模都较小,造成模型的泛化能力不足,容易出现过拟合现象。另一方面,大多数行人重识别算法直接对整张图片作特征提取,往往导致网络忽略一些局部的细节信息,虽然有一些图像分块的工作,但是没有直接利用细粒度属性标签信息。针对以上问题,本文从行人图像数据的增强和行人属性细粒度信息辅助行人重识别网络模型为立脚点,分别作了研究。本文的研究内容及工作重点如下:（1）研究了像素和空间变换的传统数据增强方法对行人重识别算法的影响。对行人图片作随机水平翻转、随机裁剪、随机擦除以及组合增强的处理。然后评估训练出的网络模型性能。实验在Market1501和Duke MTMC-re ID数据集上进行,通过和基线网络的比较发现,经数据增强处理后训练出的网络模型的rank-1和m AP两个评价指标均有所提升。（2）提出了基于半监督学习自训练的网络模型和带预测概率的标签平滑算法（Label Smoothing Regularization with Prediction,LSRP）。为使用无标签图片和有标签数据共同优化网络模型,将自训练的思想应用在行人重识别网络中。实验采用DCGAN模型生成42000张行人图片。将这些图片作为原数据集训练出的模型的输入,然后将网络的预测结果通过标签平滑算法LSRP中得到生成图片的标签。在多次训练过程中,伪标签和网络模型相互促进。通过和LSRO、One-hot标签分布对比,证明所提算法的优势。（3）提出了联合PCB和行人属性信息的行人重识别方法（PCB with Attribute,PCBA）和带有属性划分（Pedestrian Attribute Division,PAD）的PCB-PAD算法。为充分利用行人图像的局部信息,使用行人属性识别基线网络训练一个模型,给CUHK03数据集标注属性标签。PCBA对每个局部水平切割的特征向量进行行人所有属性的多分类学习和行人ID学习。PCB-PAD算法把行人属性按照空间位置进行划分,在每一局部特征上预测相应的属性,特别地,PCB-PAD增加了对全局的特征向量进行全局属性的学习和ID学习。通过对比基线网络、ARP、PCB方法的rank-1排名和m AP指标,表明本文提出的PCBA和PCB-PAD算法的网络性能较优。（4）设计了行人重识别应用系统,采集校园实际场景的行人视频,并构建了一个人工标注的SCU-Re ID校内行人数据集进行实验。