行人重识别(Re-ID)是计算机视觉领域的热点问题，主要研究的是“如何关联位于不同物理位置的不同摄像机捕获到的特定人员的问题”。传统的行人Re-ID方法主要基于底层特征如局部描述符、颜色直方图和人体姿势的提取。近几年，针对行人遮挡和姿势不对齐等传统方法所遗留问题，业内提出了基于区域、注意力机制、姿势和生成对抗性网络(GAN)等深度学习的行人Re-ID方法，实验结果得到较明显的提高。故对深度学习在行人Re-ID中的研究进行了总结和分类，区别于以前的综述，将行人重识别方法分成四大类来讨论。首先,通过区域、注意力、姿势和GAN四类方法来综述基于深度学习的行人Re-ID方法;然后,分析这些方法在主流数据集上的mAP和Rank-1指标性能表现，结果显示基于深度学习的方法可以增强局部特征之间的联系并缩小域间隙，从而减少模型过拟合;最后,展望了行人Re-ID方法研究的发展方向。

为解决基于帕累托(Pareto)支配解排序的多目标进化算法高时间复杂度问题，依据非支配解排序潜在特性，介绍了一种快速的非支配解排序方法，每次只处理当前种群中最高等级个体，且在分配等级的同时，能选择个体进入下一代，下一代被选足时即结束程序，减少了排序处理个体的数量，大幅度降低时间复杂度；另外，给出一种均匀的拥挤距离计算方法；最后，将快速非支配解排序和均匀拥挤距离计算与微分进化算法结合，提出基于非支配解排序的快速多目标微分进化算法(FMODE)。采用标准多目标优化问题ZDTl～ZDT4和ZDT6进行仿真实验：当种群个体较多(大于500)时，FMODE所用时间远小于NSGAⅡ；FMODE的总体性能上均优于经典的NSGAⅡ、SPEAⅡ和DEMO；在FMODE框架内，采用均匀拥挤距离在性能上也明显优于经典拥挤计算方法；并通过实验确定了FMODE算法的参数。实验结果表明FMODE能够减少计算等级时的处理时间，并在收敛性和多样性指标上明显优于对比算法。