随着社会安全意识的提高,城镇的一些重要场所对监控摄像头的需求越来越大。行人重识别受到了专家学者的关注,大量成果涌现而出。行人重识别主要有两种:图像行人重识别和视频行人重识别。前者利用行人图像匹配同一行人在不同摄像机视图下的行人图像,后者直接利用信息更加丰富的行人视频片段匹配同一行人在不同的摄像机视图下的行人视频片段。为了达到数据集标注少但模型精度高的目的,本文着重研究单标注样本视频行人重识别,针对单标注样本视频行人重识别的难点,提出了两种解决方案改进算法使得模型更加鲁棒。（1）针对视频行人重识别数据集标注困难,单标注场景下的伪标签数据错误过多导致最终模型不够鲁棒的问题,提出了基于近邻中心迭代策略的单标注样本视频行人重识别。该策略以Res Net-50作为主干网络,采用渐进式学习方式,每轮训练算出有标签数据和可靠伪标签数据并集的所有特征点的中心点,用于更新标签估计的度量中心点,使得越往后的训练轮次的度量中心点越接近类的真实中心点,从而得到更多准确的伪标签数据;同时提出了一个基于交叉熵损失和在线实例匹配损失的损失控制策略,使得训练过程更加稳定、类内距离更小、无标签数据伪标签更加准确、最终的模型性能更好。（2）针对单标注样本视频行人重识别迭代过程中,将有标签数据作为固定度量中心点导致伪标签错误率高,和用最短欧氏距离作为伪标签置信度导致选取过多错误伪标签数据用于下一次训练的问题,提出了基于中心协同策略和联合置信度采样的单标注样本视频行人重识别。中心协同策略是在被选入下一轮的可靠伪标签数据中选出更加可靠的伪标签数据,并求出这些更加可靠的伪标签数据中每个类的中心点,将伪标签数据中心点与唯一有标签数据联合求出新的中心点,并且中心点会更偏向数量较多的伪标签数据中心,此中心点用于下一次训练时进行标签评估;联合置信度采样将最短欧氏距离、最短欧氏距离和次短欧氏距离的比值联合计算出最终值作为伪标签置信度,用于伪标签数据的选取,使得用于下一次训练的伪标签数据更加准确。最终在视频行人重识别的两个大型数据集MARS和Duke MTMCVideo Re ID上,通过一系列消融实验,证实了近邻中心迭代策略、损失函数联合训练策略、中心协同策略、联合置信度采样的有效性。并且最终结果与最新的单标注样本视频行人重识别方法进行对比,进一步证实了所提出的两种解决方案的有效性。