行人重识别是计算机视觉领域中的研究热点之一,通过指导智能视频监控自动地从不同摄像头中匹配相同行人的图片,在帮助公安机关追踪犯罪分子轨迹、大型商超分析顾客购物意图等方面发挥着重要作用。但是,目前行人重识别还存在着诸多挑战,受到摄像头视角、人体姿态等因素的影响难以一次性查询到所有的正确结果,表现良好的模型迁移到新场景、新领域时准确率会严重降低。本文利用深度学习方法提取行人图像的深度特征,并且针对上述问题提供了行之有效的解决方案,主要工作如下:第一,在有监督行人重识别方面,本文提出了融合行人图像生成的改进扩展查询方法。首先利用通道域注意力机制引导的姿态迁移生成行人图片,之后改进了现有的扩展查询方式,并通过加入生成图片增强查询样本的多样性,最后在图库中查询时可以将正确匹配结果的排序提前,提高模型识别的准确率。本方法在Market-1501数据集上进行了行人图像生成和行人重识别的相关实验,最终检索的评价指标m AP为91.7%,R-1为97.0%。第二,在跨领域行人重识别方面,本文提出了基于特征记忆机制的联合学习方法。首先开创性地将源域和目的域同时输入到网络中进行特征学习,其次根据特征独立性设计了以移动平均方式更新的记忆存储模块保存目的域的特征,最后联合两个领域各自的损失函数共同优化训练过程,不断提升模型的泛化和迁移能力,在跨领域行人重识别中取得了较高的识别结果。通过在多个公开数据集和一个自建数据集上的大量实验,充分证明了所提出方法的有效性,从Market-1501数据集迁移到Duke MTMC-re ID数据集时达到了62.2%的m AP和76.3%的R-1,从Duke MTMC-re ID数据集迁移到Market-1501数据集时达到了67.9%的m AP和82.4%的R-1。