近年来,公共安全问题已成为社会管理中一个越来越严峻的问题。由于人员识别通常是公共安全问题的关键所在,故从视频监控网络中提取出有效的行人信息并加以分析变得非常重要。然而,不同监控设备所拍摄的图像无论是在背景,还是在光照和分辨率等方面都存在巨大差异,使得很难有效地对视频画面中的行人目标进行识别和追踪。因此,设计出一种跨平台下的行人智能识别与追踪系统十分有意义。本文针对不同应用场景提出了人脸识别技术、行人检测技术和行人身份识别与追踪技术并利用公开数据集对所提技术进行仿真实验。实验结果表明,本文所提方法能够取得良好的效果。本文主要工作和创新点如下:首先,针对人脸识别问题,提出了基于改进的子空间学习法。具体而言,通过建立名为基于截断核范数的低秩判别嵌入（TNNL）的子空间学习模型来提取人脸低维特征,并使用稀疏表示分类器对提取出的低维特征进行分类以实现人脸识别。TNNL使用截断核范数来有效地解决秩最小化问题,从而减轻图像噪声所带来的负面影响;TNNL通过加入线性判别项将模型转为监督模型,从而提高图像低维特征的判别力。实验结果表明,所提出的TNNL模型能有效地提取出鲁棒的人脸低维特征,并能使图像在较低维度下得到较高的识别率。其次,针对行人检测问题,提出了基于改进的弹性网络法。由于传统的稀疏描述子存在冗余编码和表征力不足等缺点,严重影响行人检测的准确性,故本文提出一个名为基于低秩和约束稀疏表示的多特征融合行人描述子（LRCSF）来对其进行改进。具体而言,首先建立低秩字典学习模型（LRD）以学习干净且紧凑的行人字典,然后建立基于相似约束和弹性网络的稀疏编码模型（CES）以消除行人字典中影响稀疏编码准确性的无用列,最后构建出新的稀疏描述子,并将其与梯度方向直方图特征和完备局部二值模式特征串行融合得到LRCSF行人描述子。LRCSF行人描述子能在保留行人主体结构的同时对行人图像进行全面描述。仿真结果表明,所提出的改进方法的行人检测效果更好。最后,针对行人身份识别与追踪问题,提出了多特征融合的行人识别与追踪技术。由于单一特征不能全面描述图像信息,本文通过融合局部最大发生（LOMO）特征和VGG16深度特征,来构建出一种新型融合特征LOMO-VGG16。其中,LOMO特征能有效提取出图像中的颜色信息和纹理信息,而VGG16特征能有效提取出图像中的深度抽象特征,将两种特征进行融合可更加全面地描述图像信息。在行人识别环节中,提取出行人目标的LOMO-VGG16特征并通过跨视角二次判别分析度量学习法（XQDA）来获取行人身份信息;在行人追踪环节,提出一种基于LOMO-VGG16特征的粒子滤波跟踪法来对目标行人进行追踪。仿真结果表明,本文所构建的LOMO-VGG16特征在行人身份识别和追踪上都取得了较好的实验结果。