随着深度神经网络的发展、城市视频监控系统的普及和监控网络的完善,行人重识别（Person Re-identification,Re ID）技术逐渐成为近年来计算机视觉领域的热门研究课题,在智能视频监控和安防领域发挥着越来越重要的作用。传统行人重识别技术只适用于白天场景下的跨可见光摄像头行人匹配,而跨模态行人重识别（Cross-Modality Re ID）能够在白天可见光模态和夜晚红外模态之间跨模态地匹配行人,跨模态行人重识别填补了传统单模态行人重识别的应用场景,在传统行人重识别的基础上,实现了全天候二十四小时的行人重识别。在实际应用场景下,由于可见光和红外摄像头捕获的彩色和红外行人图像高度异构带来的模态差异,使得跨模态行人重识别技术面临着巨大的挑战。因此,本文针对可见光、红外跨模态所带来的模态差异,从图像层面和特征层面分别对模态差异进行处理,以缓解其对跨模态行人重识别任务带来的负面影响。本文的主要工作如下:（1）针对图像层面可见光、红外行人图像的外观模态差异和现有跨模态数据集样本不足的问题,提出了基于双流网络的异质图像增广方法（Heterogeneous Image Augmentation,HIA）。本文通过设计的轻量级异质图像卷积生成器将可见光图像转化为近似红外的新样本,并对红外图像进行色彩抖动以模拟实际场景中的光照变化。将原始图像和生成图像一起输入到网络中,在身份分类损失和批次难样本三元组损失的基础上,使用设计的基于异质图像的正样本对约束损失（Positive Sample Pair Constraint Loss）,以异质图像卷积生成器生成的近似红外样本为锚点,约束锚点与其他正样本之间的距离,通过梯度反向传播来优化生成器。基于双流网络的异质图像增广方法丰富了训练样本,使得网络提取到的不同模态下的行人特征能够同时具备模态共性信息和特定于模态的信息,有效地减少了模态差异。（2）针对特征层面不同模态的行人特征存在较大模态差异的问题,在基于双流网络的异质图像增广方法的基础上,进一步提出了基于模态分类的跨模态特征对齐方法（Cross-modality Feature Alignment,CFA）。该方法设计了一种模态特征对齐模块,旨在引导网络学习不同模态特征的共性信息。该模块包含两个模态分类器,通过预构建的模态标签,对不同模态特征进行二分类。随后在特征网络训练中,利用设计的跨模态特征对齐损失将可见光/红外模态特征分类为相反模态。在网络训练过程中,模态分类器与特征网络交替更新参数,使得不同模态行人特征在高维特征空间内具有更多共性。结合使用图像和特征层面两种方法,端到端地进行跨模态行人重识别,本文提出的方法在SYSU-MM01数据集上达到了rank-1 57.82%和m AP 54.35%,在Reg DB数据集上达到了rank-1 80.39%和m AP 75.05%的精度,证明了方法的有效性。