行人重识别（Person Re-Identification, Re-ID）旨在跨多个非重叠摄像头检索特定行人。随着深度神经网络的快速发展以及智能视频监控需求的不断增长，该任务在计算机视觉领域获得了日益广泛的关注。通过对构建行人重识别系统所涉及的关键组件进行剖析，我们将其划分为封闭世界（closed-world）与开放世界（open-world）两种设置。其中，被广泛研究的封闭世界设置通常基于多种研究导向的假设，在多个数据集上借助深度学习技术取得了令人瞩目的成果。本文首先从三个不同角度对封闭世界行人重识别进行了全面综述与深入分析，包括深度特征表示学习、深度度量学习以及排序优化。然而，随着封闭世界设置下性能逐渐趋于饱和，当前行人重识别的研究重心已转向更具挑战性的开放世界设置，该设置更贴近实际应用场景中的特定需求。为此，本文从五个不同维度对开放世界行人重识别进行了系统性总结。在分析现有方法优势的基础上，我们提出了一种强大的AGW基准模型（AGW baseline），在涵盖四种不同重识别任务的十二个数据集上均取得了当前最优或至少具有竞争力的性能表现。此外，本文引入了一种新的评估指标——mINP（mean Inverse Number of Positives），用于衡量在检索过程中找到所有正确匹配所需的平均代价，为真实应用场景中重识别系统的评估提供了额外的量化依据。最后，本文还探讨了一些重要但尚未得到充分研究的开放性问题，以期为未来的研究方向提供参考与启示。