行人重识别是在图像库中检索与查询图像具有相同身份的行人图像。目前,行人重识别在智慧城市、刑侦取证、社会安全等领域有着广泛应用。然而,行人重识别需要依赖大规模的有标记的数据集来训练模型,而数据标注的高成本使得基于监督学习的方法难以扩展到现实应用中。因此,如果能在不使用数据标注的情况下,将在其他数据集中训练的模型直接迁移到新的数据集中,将会对极大促进行人重识别技术的商业化进展。本文借助域适应、影响函数、迁移学习、深度神经网络以及自步学习等方法,探讨了跨域小样本行人重识别问题。跨域小样本行人重识别问题不同于一般的跨域行人重识别问题,目标域中含有少量带有标记的样本,并且查询特定身份的行人信息。本文的主要工作如下:（1）影响函数可以解释训练样本和预测结果的关系。针对跨域小样本行人重识别问题,本文提出一种基于影响函数的样本权重分配策略。通过影响函数对源域样本和目标域少量样本的权重进行调整,使得模型在跨域迁移中表现出更好的性能。对影响函数进行近似优化,计算过程更加简单高效。（2）提出基于自步学习的跨域小样本行人重识别策略。改进渐进式无监督域适应算法,将目标域中少量有标记的样本加入模型预训练过程,充分利用目标域样本信息。在行人重识别数据集Market-1501、Duke MTMC-re ID上进行对比实验。实验结果表明基于自步学习的跨域小样本行人重识别策略的有效性。（3）提出基于相似性分组的跨域小样本行人重识别策略。数据集样本之间具有潜在相似性,本文改进相似性分组的无监督域适应策略,充分利用目标域中少量标注样本信息。除此之外,改进行人图像切分方式,将行人图像的切分为头部、上身、下身,从更加细致的角度进行聚类分组。