行人重识别的优异性能往往依赖于具有准确行人身份标签的大规模数据集,然而在实际场景中,由于数据采集和注释困难,样本会不可避免地被错误标注,这就产生了标签噪声。标签噪声会误导网络的学习,从而导致模型的性能的下降。但是,现有的行人重识别方法很少关注标签噪声给行人重识别带来的负面影响。针对这个问题,本文以消除噪声标签对行人重识别不利影响为目标展开了如下研究:针对现有的行人分类模型不具备抗噪声能力的问题,本文通过两个对标签噪声鲁棒的损失函数来减小标签噪声对性能的影响。首先,本文将具有噪声标签鲁棒性的对称损失SL应用于行人重识别,来减轻模型对噪声标签的过度拟合。其次,为了进一步提高模型的判别能力,本文设计了一种新的实例重加权的对称损失函数HRSL来关注具有正确标签的困难样本,在调整每个样本的损失的同时全面训练数据。在不同噪声比率下进行的实验验证了SL和HRSL的有效性。为了提高行人数据的标签质量,本文提出了一种新的图像间相似度指导的标签信息传播方法来优化噪声标签。首先,本文构建相似图来近似样本邻域结构,制定标签信息传播算法使标签信息得以在高相似样本间扩散。得到的优化后的标签可以继续用于其他行人重识别模型以进一步优化性能。提出的结合标签优化方法的模型在不同噪声比率下的三个广泛应用的大规模行人重识别数据集中进行实验,实验验证了标签优化的有效性和相较于其他噪声标签算法的优越性。