经济的快速发展带来了不同区域、不同城市间人员的大规模流动，也给公共安全带来了巨大的挑战。特别是，随着安防监控系统的普及，如何对海量的监控数据进行理解与分析，正逐渐成为智能化安防的核心。在这种背景下，行人重识别任务近年来受到了广泛的关注和应用。在给定行人图像的情况下，行人重识别方法能够快速检索出行人的跨视角图像，从而解决大规模监控网络下的行人识别与检索问题，在人物追踪、商场寻人以及反恐安全等方面有着重要应用前景，对于打造智慧城市、提升安防处置能力也有着巨大的科研和应用价值。然而，受限于视频监控探头的安装高度及密度，以及光照变化、行人姿态变化、遮挡、监控数据分辨率低等因素的影响，多视角场景下的目标锁定与查找仍然十分困难，这衍生出一个重要的机器学习问题，即如何对多视角数据进行有效利用，以解决目标对象、数据之间量化关系模糊的难题。

本文聚焦于多视角机器学习模型与算法在行人重识别中的应用，研究如何利用多视角数据中蕴含的一致和差异信息，构建适用于安防场景的相似性度量模型。论文从多视角特征融合、多视角非对称度量和多视角深度损失函数的角度，开展多源信息的关联研究，尝试解决真实安防场景下的行人查找与匹配问题。本文的创新性研究成果主要有:

1. 提出了一种多线性多视角特征融合算法(Multi-linear multi-view feature fusion, MMF)。针对多视角特征中互补信息难以捕获的问题，根据特征的固有特性，提出相似性作用矩阵，挖掘和传播多种特征之间的一致互补信息；通过样本依赖与视角依赖假设，探讨多线性结构与多视角数据中蕴含的一致信息的关系，提出多线性多视角融合算法，实现索引层级的特征融合，在降低内存开销的同时显著提升匹配精度；针对优化目标，提出一种高效的迭代优化求解算法，该求解算法具有较低的计算复杂度和理论收敛性保证。在Market1501行人重识别数据集和Holidays、UKbench等图像检索数据集上的实验表明，多视角特征融合算法能够有效提升原始特征的判别性，同时降低在线匹配的计算和内存开销。

2. 提出了一种张量多视角非对称度量学习模型(Tensor multi-task learning, t-TML)。针对行人重识别中，由视角差异导致的数据分布不一致问题，提出张量多视角非对称度量学习框架，通过视角间和视角内的关联结构，学习非对称度量，对齐不同视角下的数据分布；提出无监督张量多视角度量学习模型，在不利用样本标签的情况下，能有效提升跨视角匹配精度，并运用多特征张量，灵活地融合多种视觉特征，有效地挖掘不同特征之间的互补信息。在ViPeR、CUHK01、CUHK03、Market1501等行人重识别公开数据集上进行了实验验证，结果表明所提方法的识别性能显著优于相关对比方法，所提出的无监督多视角模型、多特征张量模型，能够进一步提升行人重识别识别准确率。

3. 提出了一种多视角深度对齐度量学习模型(Wasserstein triplet loss, W-Triplet)。针对行人重识别中，目标存在偏差，不同视角下样本出现错位的情形，提出基于推土机距离的三元组损失函数，将原有的跨视角对齐问题转化为最优运输问题，通过对齐局部特征上的空间概率分布，运用正则化的推土机距离，解决样本错位问题；提出一种新的注意力机制，学习目标感兴趣区域，生成区域重要性离散概率，对最优运输问题提供监督指导；提出多分支深度网络模型，实现了全局和局部信息的融合，提升了识别准确率。在CUHK03、Market1501、DukeMtMC-Reid、MSMT17等多个行人重识别公开数据集上的实验表明，基于推土机距离的三元组损失能够帮助模型学习到目标的感兴趣区域，并依靠感兴趣区域，对齐和消除跨视角下的样本偏差，有效提升深度网络性能。