随着社会的不断发展和进步,城市中的监控设备覆盖率越来越高。普通监控条件下的行人外观信息（包括人脸、服装、体型）和行走的步态信息都在一定时间限度内有着较高的可靠性和稳定性。同时这些信息的采集可以非常容易的获得。因此很适合在人员较多的公共场所或注重客户体验的商店中,借助人的外观和步态等信息完成身份识别的工作。本文中首先分别对行人的外观特征提取网络和步态特征提取网络进行了研究改进。之后尝试将外观特征和步态特征进行融合,以此得到一个更鲁棒的行人身份识别系统。在外观网络方面,我们采用了一个多尺度的人体特征提取网络,其设计符合客观的人体构造。在度量学习的损失函数角度,本文提出将mini-batch中图片间的拓扑关系引入已有的三元组损失函数中,即考虑属于同一类别的两张图片在特征空间中应该拥有相似的拓扑关系网络。并由此提出了两种改进的损失函数。其中,基于“参考点”的损失函数通过引入参考图片的概念,使同一类别的图像聚类更加紧密,也减少了不同类别间的重叠问题。与基础算法相比,所提的损失函数在Market1501和Duke MTMC-Reid两个公开数据集上的m AP准确率分别提高了3.75%和5.69%。在其他图片或视频的行人重识别数据集上也取得了很好的效果。然而,行人的外观信息有时具有迷惑性,仅凭远距离拍摄的一张或几张图片在行人外观发生简单改变（穿/脱外套）、不同行人服装相似、拍摄地点光线不好等情况下难以给出可靠的结果。为此我们对步态识别问题进行了一定的了解。本文中针对跨角度的步态识别问题提出了一个基于角度的步态特征“分治”学习算法。对不同角度序列的按照概率分别通过不同的网络参数学习对应角度的特征。最终得到的特征既包括负责跨角度间信息提取的通用特征,也包括精细化提取临近角度内图片共同信息的角度特征。对于网络“分化”得到的不同特征,在训练计算损失函数时会在计算最终的距离和损失值的时候“统一”起来。并按照之前的概率对不同角度的网络参数进行不同程度的优化。改进算法在公开步态数据集中,部分测试条件下原始算法的性能有了明显提升。为了讨论外观信息和步态信息在实际监控系统中的作用和应用难点。我们从实际出发,采集了一个的小型的实际监控数据集,并在公开数据集和实际监控数据集两种情况下完成了行人轮廓提取、输入图片预处理、外观特征和步态特征提取以及融合外观与步态特征的完整流程。实验结果表明在某些测试条件下综合运用外观和步态信息对行人的身份认定起到了更有力的作用。在一定程度上,可以为外观信息与步态信息的综合实际应用提供一些借鉴意义。然而,需要承认的是,在实际的数据条件下,以当前的模型进行实际应用仍存在一些问题。我们也对当前的问题和未来需要解决的困难提出了一些思考和建议。