行人重识别的目标是在海量视频或图像中快速地查询目标行人,是计算机视觉领域中的热点研究问题,其在智能视频监控中有着重要的应用。近年来,研究人员提出了大量的行人重识别算法,尤其随着深度学习技术的不断发展,其性能也得到了不断提高。但是,行人的特征表达、样本的缺乏以及遮挡等问题,并未得到充分的解决。针对这些问题,本文的主要工作包括以下两方面内容:(1)针对传统网络对行人特征提取能力有限的问题,本文提出了使用多分支特征级联网络来提高提取能力的方法,它由ResNet-50基础网络与全局、局部卷积分支组成。全局分支关注显著信息,它能够提供全局特征;而局部分支把每幅特征图均分成六个水平条纹,分别提取每个条纹中细粒度信息,它能够辅助全局特征,同时可以消除剩余条纹信息的影响。在Market-1501、DukeMTMC-reID两个公开的数据集上的对比实验以及消融实验验证了该方法能有效地提高卷积网络对行人特征的表达能力。(2)提出一种改进的数据增广方法。针对样本的缺乏会导致模型出现过拟合,以及遮挡物会减弱网络泛化能力的问题,本文提出了对带有包属性标签的行人图像进行随机擦除的数据增广方法。若行人图像中有包属性标签,则对其进行随机擦除,否则不擦除,这样不仅降低了包的遮挡对行人重识别的影响,还可以避免擦除头部等重要区分性部分的信息。在Market-1501和DukeMTMC-reID两个公开数据集的实验表明,使用此方法不仅可以有效解决样本不足的问题,还可以减少遮挡物对行人重识别算法性能的影响。