行人再识别(Person Re-identification，Re-ID)的目标是确定感兴趣的行人与跨摄像头下捕捉到的不同时间地点的行人是否为同一个人。近年来行人再识别技术取得了很好的进展，但是在设计出一种有效的重排序算法和高精度的跨域行人再识别算法上，仍然存在很多挑战。一方面，目前大多数Re-ID算法利用行人的外观特征进行判别，但视角、姿态的变化、光照的强弱、部分遮挡等使得Re-ID算法得到的初始排序列表中包含很多错误的匹配项，并且很多算法在特征匹配时使用欧式距离进行排序，具有一定的局限性。另一方面，单域Re-ID算法已经达到了很好的精度，但跨域行人再识别的性能却很差，显然为每一个场景建立一个数据库是不现实的，跨域行人再识别更贴近实际应用，即目标域标签不可用，这使得目前的Re-ID算法不能直接应用于跨域行人再识别。面对以上诸多挑战，本文试图采用一种基于扩展k互惠最近邻的重排序算法、基于相似度保留生成对抗网络和多粒度网络的跨域行人再识别方法用以解决目前行人再识别算法存在的一些问题。主要研究工作内容如下：
　　1)通过单个矩阵乘法和加法可以有效计算出排序列表相似度距离。排序列表相似度距离比传统距离度量方法得到的排序列表更准确，将probe集和gallery集组成单个矩阵，通过单个矩阵乘法和加法运算就可以从初始获得的距离列表中有效地计算出排序列表的相似度距离。
　　2)提出了一种扩展k互惠最近邻的重排序方法。充分利用了k互惠近邻的约束条件，设计出两级扩展的M个k互惠近邻距离计算的方法。给定一个探针图像，将探针替换为它的两级扩展k互惠最近邻，保证扩展邻居集全是正确的匹配，最后的距离由相应的邻居集的均值来计算，通过实验进一步提高Re-ID算法的准确率。
　　3)提出了一种用于跨域行人再识别的框架。利用相似度保留生成对抗网络将源域训练图像转换为目标域风格的图像，学习目标域的风格特征；将源域图像和转换后的目标域图像一起送入多粒度特征提取网络，实验证明该方法在单域和跨域的行人再识别问题上都表现出了良好的性能，缩小了域间差距，进一步提升了跨域行人再识别的准确率。