随着视频监控系统的广泛部署,其日常产生的大量视频数据,单靠人工处理已很难满足现阶段安防和刑侦任务需求。行人再识别技术旨在无交叠视域的多摄像头下进行目标行人检索,目前该技术已在校园、车站、园区等场景的安防系统中应用。目前基于深度学习的人脸识别系统在视频安防领域取得了很大的成功。但是实际视频监控场景中,情况复杂多变,人脸等生物特征常由于拍摄角度、距离、光照变化和遮挡等因素而无法有效获得,此时利用行人整体外观信息进行行人再识别,有望实现无交叠视域的多摄像头下目标行人检索。然而在视频监控场景中,行人遮挡极为普遍,行人部分遮挡显著降低了行人再识别的准确性,是当前行人再识别技术面临的主要挑战之一,故针对遮挡环境的行人再识别,本文基于深度学习和稀疏表示方法提出了基于人体姿态的自适应遮挡行人再识别方法。主要研究内容如下:（1）提出基于人体姿态的自适应金字塔网络特征。本文借鉴注意力机制,根据人体姿态信息计算行人图像注意力图,用于指导网络过滤遮挡信息的干扰。再者,为缓解行人图像尺度差异较大的问题,本文在深度卷积网络后增加金字塔池化层,以得到多尺度金字塔特征。最后将注意力图作用于不同尺度的金字塔特征,引导网络在不同尺度下自适应提取对遮挡鲁棒的行人特征。实验表明,基于人体姿态的自适应金字塔网络能够有效提高遮挡行人再识别的准确性。（2）提出结合稀疏表示的自适应局部遮挡行人再识别方法。本文首先根据人体姿态对行人进行自适应分区,然后提取各区域网络特征并对其进行稀疏表示,最后融合各区域稀疏匹配分数得到行人再识别结果。为克服稀疏表示分类方法随行人规模过大导致过高的计算复杂度问题,本文提出一种改进的超完备字典构造方法,通过合理缩减字典规模的方式,在提升算法精度的同时兼顾计算效率。（3）设计了一种结合整体和局部特征的端到端行人再识别学习网络。该网络包含整体和局部两个特征提取网络分支,充分利用人体姿态信息进行自适应区域划分和权重分配,并且提出了两分支端到端联合优化训练方案。实验结果表明,本文所提方法在遮挡行人再识别数据集（Occluded-Duke）和标准行人再识别数据集均获得优异的识别准确性。