随着白天和晚上监视数据爆炸性的增长,跨模态行人重识别成为新兴的挑战。与只处理模态之内差异的传统的行人重识别相比,跨模态行人重识别遭受了由不同类型成像系统造成的额外的跨模态差异。因此提出红外图片着色的方法来消除模态差距。但是生成对抗网络的着色方法依然存在一些问题,本文就这些问题进行一些研究。最近的各种研究工作提出了各种生成对抗网络模型,以将可见模态转换为另一个统一模态,旨在弥合跨模态鸿沟。但是,它们忽略了由于转移可见图片域而引起的信息丢失,这对于识别非常重要。为了有效地解决这些问题,本文利用红外图片中的关键信息（例如纹理和语义）对图片本身进行着色,着色后的红外图片可保留红外图片中的丰富信息,同时减少与可见图片的差异。通过对单通道红外图片进行着色,最大限度地减少了跨模态差距,提供了丰富的外观信息。如果没有对红外图片各个区域的身份信息,着色方法无法准确得到目标区域。红外图片很有可能破坏图片的身份,因此,本文提出了一种基于身份保留着色网络的跨模态行人重识别,以通过保留着色图片的身份来弥合跨模态缺口。使用孪生生成对抗网络对身份保留重建,提高着色的准确性。此外,本文还提出了一种特征级融合模型,以补充着色的转移损失。在着色的过程中一旦缺乏逐点匹配的可见-红外图片,会大大增加着色的挑战性。为了解决这一问题,本文通过生成灰度图片作为辅助信息来学习单通道红外图片和三通道可见图片的关系,提出一种灰度增强着色网络,通过保留可见图片的结构特征的灰度图片来弥补通道差距,从而提高着色的真实性。利用灰度图片的点对点变换得到的单通道到三通道的对齐监督,改进了着色处理过程。本文的研究结果需要在特定的跨模态行人重识别数据集上验证,在RegDB和SYSU-MM01数据集上进行了实验。大量的实验结果证明,使用灰度增强的孪生生成对抗着色网络可以有效增加红外图片的信息有效度,本文的方法在两个数据集中优于最近的一些方法。