行人重识别旨在大规模短时效的场景下,搜寻出某一个特定人物。然而,相比于其他计算机视觉任务,由于隐私、标注代价等问题,行人重识别数据获取更加困难。这使得行人重识别模型的效果很大程度上受制于数据集的规模。而基于生成对抗网络的数据增广可以为行人重识别任务提供额外的数据,以提升网络的性能。本文讨论了基于生成对抗网络的行人重识别数据的增广方法。本文第二章系统地分析了使用相机风格迁移来增广行人重识别数据的方法,并且在全监督和无监督域适应行人重识别上进行了实验。由于基于较高的基线水平,得出的结论同大多数同类型方法相悖:对于全监督任务来说,不需要通过相机风格迁移这一类数据增广方法来提升性能;对于标签不完备的行人重识别任务,例如无监督域适应行人重识别,相机风格迁移可以带来巨大的性能提升,但是无需依赖特定的损失函数,例如身份映射损失、MS-SSIM以及感知损失,来约束行人身份的不变性;甚至可以去除Star GAN自身的循环验证模块以进一步降低训练代价。由于Star GAN无法应对动态增加的数据,本文第三章提出了针对目标数据集动态变化的无监督域适应行人重识别的数据增广方法ME-Star GAN。ME-Star GAN的生成器可分为编码器和解码器,通过加强编码器的行人信息提取能力,和将影响生成图片风格的参数归结到解码器的设计,ME-Star GAN成功实现了编码器的复用。再使用平行式的训练方法,进一步提升了性能,大幅度降低了训练成本,提高了动态新增的相机风格转换和实际落地应用的效率。不同于现有的关注于相机风格迁移的数据增广方法,本文第四章提出了针对行人图像视角编辑的模型View Edit GAN。View Edit GAN依赖生成对抗网络的可解释性原理,通过编码器、解码器首先初步定位行人的特征向量,再使用循环校正算法修正向量误差,最后利用SVM算法获取到的超平面来对向量进行插补来实现人物视角的编辑。且View Edit GAN能在不依赖行人类别的情况下针对行人图片中的人物视角进行编辑,扩宽了数据增广的方式。本文总结了现有的基于相机风格迁移的行人数据增广算法,分析了不同的损失函数在高基线性能下的有效性;并针对实际应用场景提出了ME-Star GAN来解决问题;最后跳出相机风格迁移,提出了能够通过编辑视角来增广行人数据的View Edit GAN。