随着城市视频监控系统的大规模建设与部署,行人重识别技术作为智能视频分析的重要一环得到了越来越多的重视与应用。而实际使用中,在获取场景图像后往往需要先进行行人检测,再经过行人重识别判断是否为目标人物。这种两模型方案速度慢、效率低且显存消耗大,达不到满意的使用效果。课题围绕人工智能中的计算机技术,研究基于深度学习方法的检测算法与重识别算法,并设计融合检测与重识别两任务的行人搜索算法。本文采用深度卷积神经网络设计了行人搜索算法的网络模型,提出联合训练方法,实现了快速高效的行人搜索方案。对于基于深度学习的行人重识别算法,本文提出一种改进版的三元组损失函数,其作用在于通过添加绝对距离约束项来优化样本间距离。本文在公共数据集上进行相关性能的评估和检验,最终验证了该损失函数的有效性。对于基于深度学习的行人搜索算法,本文以ResNet18残差网络为基础网络设计并实现了融合检测与重识别的行人搜索网络模型,使两任务共享基础网络,以此达到省显存、提高测试速度的效果。经过实验验证,行人搜索模型对比两模型方案可显著节省模型显存大小,在精度相当的情况下提升速度25%以上。最后,设计了行人搜索系统软件,将算法部署于后台,实现了快速行人搜索系统。