La reidentificación de personas se ha convertido en una aplicación esencial dentro de la visión por computadora debido a su capacidad de emparejar a la misma persona en cámaras no superpuestas. Sin embargo, es una tarea desafiante debido a la amplia vista de las cámaras con un gran número de peatones que aparecen con diversas poses. Como resultado, se han utilizado varios enfoques de aprendizaje de modelos supervisados para localizar e identificar a una persona en función de la entrada dada. Sin embargo, varios de estos enfoques funcionan peor de lo esperado al recuperar a la persona correcta en tiempo real en múltiples cámaras CCTV/vistas de cámara. Esto se debe a la segmentación inexacta de la persona, lo que conduce a una clasificación incorrecta. Este documento propone un sistema eficiente y en tiempo real de reidentificación de personas, llamado sistema ReID-DeePNet. Se basa en la fusión de los puntajes de coincidencia generados por dos modelos de aprendizaje profundo diferentes, red neuronal convolucional y red de creencias profundas, para extraer representaciones de características discriminativas de la imagen del peatón. Inicialmente, se desarrolló un procedimiento de segmentación basado en la fusión de las ventajas del algoritmo Mask R-CNN y GrabCut para abordar los efectos adversos causados por el desorden del fondo. Posteriormente, los dos modelos de aprendizaje profundo diferentes extrajeron representaciones de características discriminativas de la imagen segmentada del peatón, y sus puntajes de coincidencia se fusionaron para tomar la decisión final. Se llevaron a cabo varios experimentos extensos, utilizando tres conjuntos de datos de reidentificación de personas a gran escala y desafiantes: Market-1501, CUHK03 y P-DESTRE. El sistema ReID-DeePNet logró nuevos valores de Rank-1 y mAP de vanguardia en estos tres desafiantes conjuntos de datos de reidentificación de personas.