作为人工智能最重要的分支,计算机视觉已经衍生出了多项实用性强、发展迅速的应用。由于近年来智能视频监控系统大量部署,在诸多公共场所已构成密集的监控网络,这导致仅依靠人力来观察行人目标并对其进行跨摄像头追踪变得十分困难。行人再识别便逐渐成为计算机视觉领域的热点课题,它主要研究如何在多场景多摄像头的监控系统中,对重点行人目标的检索与识别,其本质是将同一行人在不同摄像头下的多张图片进行匹配。由于实际应用场景中的照明条件、行人姿态、观察视角等条件的变化,同一行人的多张图像往往外观差异较大,这给正确匹配它们带来了巨大的挑战。本文提出一种改进表征学习和度量学习的行人再识别算法,研究了影响行人再识别有效性的三个要素——特征表达、相似性度量和匹配列表的重排序,并依此对行人再识别算法进行改进与优化。首先在特征提取阶段,使用高精度分类网络DenseNet作为特征提取网络,以提取更加鲁棒可靠的行人表达特征;接着使用奇异值分解(SVD)来降低基础网络输出的相似行人的表达特征之间的相关性,降低相似度计算的误差,优化深度学习过程;在度量学习过程中,利用改进过的Softmax损失函数,使得网络提取的行人特征具有更大的类间距离和更小的类内距离;此外,本文使用基于k互近邻的重排序方法,对候选集中需要检索的行人图片进行重排序,进一步提升再识别的精度。在Market1501和CUHK03的测试数据集上的rank-1精度分别达到88.32%与59.1%。这表明本文提出的方法能显著提高行人再识别的准确性,达到了当前较先进的识别水平。同时,在实际监控系统的测试中,本方法也展现出了出色的效果。