社会治安与每个公民的实际生活息息相关,良好的社会治安是每个公民的诉求。为了维护社会治安,各种公共场所布置了大量的摄像头用以收集数据。然而,人工分析处理如此海量的数据是相当困难且耗时的。行人重识别（Person Re-Identification,Re ID）作为一种适用于该场景下的自动图像分析技术,近年来受到了广泛的关注与研究。在行人重识别算法中,行人的特征需要经过某种特殊的距离度量来排序。深度度量学习利用深度学习技术来学习更具辨别性的距离度量,已经取得了可观的进展。然而,基于深度度量学习的行人重识别仍有两个问题亟待解决。首先,常用的行人重识别目标函数更关注分类效果,而非检索效果,例如Average Precision（AP）。这导致了训练出的模型与目标任务不够匹配。其次,现有行人重识别算法往往只能获得当前批次的局部信息,无法同时获得所有样本的详细信息。这导致了训练出的模型能力受限。本文基于深度度量学习技术,针对以上两个亟待解决的问题分别提出了以下方法:（1）针对目标函数与目标任务的不匹配问题,提出一个直接优化行人重识别检索指标的算法Low Rank High Weight AP（LRHW-AP）。LRHW-AP基于一个传统的AP优化方法,并针对行人重识别进行改进,使之更适用于行人重识别任务。LRHW-AP为排名较低的正样本提供更高的权重,以提升这些样本在检索序列中的重要性,促使模型学习与身份有关而与环境无关的信息。此外,提出了一个能统一一系列池化方法的池化框架Power Activation Weighted Mean（PAWM）池化。由于神经网络最后的池化层直接影响度量结果,因此PAWM池化对于度量学习有极大的意义。PAWM池化可以根据调整和训练来转化为不同的池化方法以适应目标任务,从而提高模型的性能。最后,提出了一个新的学习率策略,进一步提升深度度量学习的效果。（2）针对局部优化导致的信息缺失问题,提出一个基于细粒度全局信息的检索指标优化算法Global AP。为了获得细粒度全局信息,Global AP首先采用了一个记忆力模块来储存训练集中所有样本的特征向量。为了降低计算量,我们只选择少量重要的样本来优化AP。具体地说,我们研究发现只有与查询样本相似度较高的样本才对AP有较大的影响,因此Global AP只选取这些样本来优化AP。在此基础上,提出了一个任务难度调整策略。随着训练过程中模型能力的提升,逐渐增加Global AP的难度,以促进模型学习更有判别性的特征。最终,Global AP可以对AP进行全局优化,并以微小的计算成本显著提高模型性能。我们在多个大型行人重识别数据集上评估Global AP。实验结果表明,Global AP在计算效率和精度方面都具有明显的优势。