行人重识别技术旨在从由多个摄像头拍摄而成的行人图像库中检索出目标行人。基于深度学习的行人重识别模型在拥有大量数据作为支持的情况下能达到很好的性能,但行人重识别领域绝大多数的工作主要是设计更好的网络架构模型,对于设计更好的数据增强方法却少有人去探索。在实际的应用场景中,行人重识别还面临着跨域的挑战,即将一个数据集上表现良好的行人重识别模型应用于另一个数据集时,由于源域数据和目标域数据来自不同的场景,其性能将会受到巨大影响。对于源域和目标域的图像差异问题目前主要就是通过减小域间差异来解决,但这些方法没有进一步考虑通过改进模型的自身结构使得该模型能够适应于不同的行人重识别数据集。并且这些方法往往会忽略目标域的域内变化,但目标域内的域内差异往往对于模型性能有着重要影响。因此,本文针对跨域行人重识别中数据难以获得、源域与目标域图像外观差异大、目标域域内变化等问题展开研究。主要研究内容如下:（1）针对跨域行人重识别数据集难以获得的问题,使用自动数据增强来增强源域与目标域数据集。自动数据增强框架主要包含两个部分:搜索算法以及搜索空间。搜索空间主要包含相关数据增强操作,搜索算法则是用于查找数据增强操作的最优策略,在查找过程中基于贝叶斯对超参数进行优化,贝叶斯优化是用贝叶斯定理来指导搜索以找到目标函数的最小值或最大值的方法。实验结果表明自动数据增强能够使数据集找到最优的增强策略,并具有很好的迁移性,能有效增加源域与目标域中的图像样本。（2）针对跨域行人重识别中源域与目标域数据图像在风格、样式等外观上存在较大差异的问题,以及目标域内的图像域内变化的问题。在网络模型中加入实例归一化和批量归一化来提升网络对图像的鉴别性,同时在目标域中加入域内不变性来解决目标域内变化。实验结果表明在模型中加入外观不变性能够提升模型本身对图像外观变化的适应性,提升模型的泛化能力。