利用视频监控进行行人身份识别是当前计算机视觉领域研究的热点之一,对于保障公众安全、刑事案件侦破等具有十分重要的意义。随着卷积神经网络技术在行人识别领域的广泛应用,其识别自动化程度及准确率有了明显的提高。然而通过对研究现状,发现现有的行人身份识别方法存在如下问题:现有的方法依赖于行人的外观特征,即当行人更换衣服、背包等外观特征时,这些方法的精度有明显的下降。为了解决这一问题,本文通过人体重建技术对视频数据进行处理,去除外观特征改变而引起的干扰,在此基础上提出了基于行人步态特征的深度学习框架。首先:本文提出了基于SMPL三维人体重建的人体外观修正算法,来提取人体三维模型,该从视频片段中获得连续的三维姿态序列,通过假设三维参数随时间缓慢变化来减少估计出的三维姿态的误差。其次:将三维姿态参数映射回二维空间,完全去除服装和携带物的信息,并修改了因不同服装或附加携带引起的外观变化,来保持人体着装的不变性。然后:通过映射的图像序列实现了一个面向视频监控网络的行人重识别算法。最后:将三维人体重建后的图像序列用步态能量图（GEI）表示,基于改进的卷积神经网络（CNN）进行步态检索,实现了一个步态识别算法。在公开数据集上的实验,验证了本文提出的方法的有效性。本文在CASIAB数据集上进行了实验,设置了两种不同的情况进行实验,在CASI-B数据集上,相比现有的行人重识别方法,本文的算法在行人更换不同服装情况下,行人重识别的精度平均提高了17.6%;而在携带不同物体的情况,精度平均提高了21.9%。相比于现有的步态识别算法,本文的算法在行人更换不同服装情况平均精度高9.8%,在行人携带不同物体情况平均精度高了1%。实验结果表明,相对于现有的方法,本文的方法有效地提高了步态识别和行人重识别中行人换装或者携带物发生改变时的识别精度。