近年来,监控摄像头在机场、学校等人口密集场所得到广泛应用,其在保护公共安全的同时,也带来了海量监控图像。为实现对目标行人的快速精准定位,行人搜索技术应运而生,成为智能监控中的关键技术。行人搜索即利用计算机图像处理技术,在监控摄像头采集到的图像库中快速找出特定行人。其使用的网络模型、损失函数及图像处理算法也会推动相关领域的研究,具有重要的研究价值。早期行人搜索主要利用给定的行人图像进行基于可见光图像的单模态行人重识别,随着研究的深入,逐步发展到基于红外—可见光的跨模态行人重识别,以及在整个视频序列和开放场景中查找目标。本文分析了不同类型行人搜索技术的研究现状,并基于深度学习的方法,针对单帧行人图像搜索任务,分别对只含可见光图像的单模态行人重识别、红外—可见光图像的跨模态行人重识别进行了深入研究,主要工作如下:（1）针对单模态的行人重识别任务,设计了一种基于全局空间注意力机制的行人重识别模型。该模型以Res Net-50作为骨干网络,加入全局空间注意力模块来提取更具表征性的图像特征。其中全局空间注意力机制通过通道压缩,将多通道信息变为单通道信息,减小了计算成本,且经过全局特征获取处理,最终的特征图融合了单一点和所有点关系,提高了特征表示的判别性。最后利用交叉熵损失进一步提高识别精度。该方法在Market1501和Duke MTMC-re ID数据集上表现出良好性能。（2）针对跨模态的行人重识别任务,考虑到现有方法在模态融合及特征表达等方面的不足,设计了一种基于双路网络的跨模态行人重识别模型。首先通过灰度转化将可见光模态和红外模态的行人图像均转化为灰度模态,使不同模态图像间的差异减小。然后,使用结构相似但参数不共享的两个特征提取模块分别提取不同模态图像的特征,其中特征提取器采用多粒度的方式,使网络能够更多关注图像细节特征。最后,将改进的身份损失和异质中心损失相结合,进一步提高网络的学习能力。在Reg DB和SYSU-MM01数据集上的实验结果清楚地展示了该模型具有较高的准确性。