近年来,行人再检索,即行人再识别问题已经成为图像视觉任务中的热门关注点。行人再检索有着很重要的应用价值,在公共安全领域,行人再检索有助于还原刑事案件监控记录,监控公共场合人流。视频行人再检索任务,是给出在选定相机下行人视频序列,从已有候选视频库中,找到最有可能是同一行人的视频序列。视频数据能有效提供不同行人姿态,变化多样的场景,拍摄角度不同的相机视角,减少障碍物遮挡影响,能提供更准确的行人外观属性特征,因此基于视频的行人再检索研究更有实际应用价值。目前,随着计算机硬件的快速升级和大规模数据集的出现,使用深度学习进行图像视觉处理任务是研究主流,如何应用深度学习方法在基于视频的行人再检索上进行研究是目前计算机视觉领域的热点问题。视频行人再检索的关键是如何有效提取视频序列中行人空间姿态信息和行人时间步态信息。本文主要是针对目前已存在的网络模型结构,即增强ResNet50模型提取视频序列单帧图像空间信息能力,以及比较LSTM和STIM结构聚合多帧图像时序信息的能力,在已有数据集iLIDS-VID和MARS上进行多次消融比照分析实验,最终验证本文所引入的三种网络模型在视频行人再检索任务上的有效性。本文的主要工作如下:(1)根据LSTM只聚合视频序列时序信息,而平均池化能够聚合视频序列中的全局特征信息,即时序信息和空间信息,本文引入融合特征机制,即融合LSTM聚合特征与平均池化特征,学习视频序列的时空特征。融合特征模型在两个数据集上有着较好效果提升。(2)在视频序列中,不同图像所包含信息不同,因为遮挡现象,行人图像所提供的行人空间信息有限,本文将自注意力机制添加进卷积神经网络ResNet50,能够让卷积神经网络在获得单张图像的特征信息时,关注图像中关键的重要部位信息,增加模型提取图像空间信息能力。添加自注意力机制的模型在两个数据集上有着很好的效果提升。(3)3D卷积相较于LSTM能够同时聚合视频序列时间空间维度信息,本文研究3D卷积模块STIM在提取视频序列时空信息上的效果,引入使用STIM模块聚合时序信息的网络模型。使用STIM模块的模型在两个数据集上有着非常好的性能提升。