行人再识别(Person Re-Identification,ReID)是智能视觉监控系统中的关键技术,其作用是基于视觉信息实现不同摄像头下行人目标的身份一致性关联,将单摄像头视频监控扩展为多摄像头协同视频分析。本文在大量国内外研究成果的基础上,结合对ReID所面临主要挑战的分析以及我们对特定场景下ReID问题的认识,分别从小数据集上的度量学习模型泛化能力、基于手工特征设计和多特征融合的分步处理模型、基于特征序列提取和序列匹配的端到端处理模型三个方面,提出不同的高精度ReID算法或者改进算法。从小数据集上的度量学习模型泛化能力的角度,我们提出利用正则化的度量学习方法来增强小数据集上ReID模型的泛化能力。众所周知,度量学习的研究在ReID技术发展过程中扮演着重要的角色。然而,受某些应用场景的限制,研究人员往往无法获取充足的标记样本进行模型训练和学习,从而导致ReID算法的泛化能力较弱。为此,我们从限制模型复杂度的角度,提出利用正则化的度量学习算法实现ReID中的特征距离度量,从而提升小数据集上模型的泛化能力。具体来讲,我们分别从马氏距离学习、对称投影学习、以及非对称投影学习三个不同的角度理解度量函数,并构造了四种不同的正则化度量学习模型来实现ReID。在数据集VIPeR和CUHK01上的实验验证了,正则化的模型约束,往往可以带来整体算法性能的提升。从基于手工特征设计和多特征融合的分步处理模型的角度,我们提出了 一种统一的局部统计特征提取框架,并结合多核学习在度量学习阶段实现ReID中的多特征融合。在监控场景中实现跨摄像头视域的行人匹配是一项极富挑战的任务,因为不同拍摄角度、不同行人姿态、不同光照条件、以及局部遮挡等都会引起行人外观的剧烈变化,从而增大匹配难度。目前,大量的研究工作主要集中在,构造优秀的特征表示或者学习合理的特征匹配模型这两个方面。然而,由于影响行人外观的因素众多,很难构造单一特征来全面地刻画行人外观;而且,不同特征的提取过程相对独立,缺乏系统而详细地评估分析,很难启发研究人员充分发掘特征的性能或设计其他更有效的特征表示。为此,我们提出一种空间金字塔统计特征提取框架,在此框架基础上去实现多种常用统计特征的提取以及改进;同时,我们还利用基于多核学习的费舍尔判别分析方法实现ReID中的度量学习和多特征融合。实验结果证明,在ReID任务中,此框架下提取的改进局部统计特征性能要优于原始特征,并且结合多特征融合算法后可以进一步提升再识别的准确率。从基于特征序列提取和序列匹配的端到端处理模型的角度,我们提出了一个上下文敏感的特征序列提取以及基于双重注意力机制序列匹配的深度ReID模型。传统的ReID算法在匹配行人图像或者行人跟踪序列之前,往往先将其表示成为一个单独的特征向量,然后在向量空间进行度量学习。然而在复杂的拍摄环境下,单一特征向量并不足以消除行人外观上的模糊性。为此我们提出,将每个行人表示成一系列包含细节信息的特征集合或者序列,并利用双重注意力机制进行序列匹配,从而实现高精度的行人再识别。模型中采用的双重注意力机制是整个算法的核心,其中序列内部的注意力机制用来进行特征序列的去噪精炼,而序列间的注意力机制用来实现序列对的语义对齐。借助这两种注意力机制,包含在特征序列对中的细节信息可以被自动地挖掘出来,并被合理地比较,从而得到恰当的行人距离或相似性度量。实验结果证明我们的模型在多个大规模数据集上都取得了同期最优的性能。