行人重识别是计算机视觉领域中图像识别与检索的分支,即给定一个探测行人图像,在图像库中搜索跨镜头模式下包含的同一身份行人的图像。随着该技术在公共安全、智能设备、监控等领域的广泛使用,行人重识别技术引起了人们的广泛关注。但是,由于拍摄时间、拍摄角度、摄像参数、场景变化等的不同,导致行人重识别的研究面临着诸如图像分辨率低、行人姿势、背景杂乱、视角、光线、遮挡等变化引起的诸多挑战。因此,目前行人重识别研究的关键问题仍然是如何对目标行人图片提取更具有表达能力、更鲁棒性的特征信息。早期手工设计的行人重识别方法已经包含了区域或局部特征,主要通过图片的底层特征信息识别行人身份,如颜色、形状、局部等浅层的图像描述符。虽然底层特征的提取过程简单,但是其表达图片信息的能力弱、鲁棒性差。目前,随着全球视觉数据呈爆炸式的增长、行人数据集不断的扩充以及深度学习算法的发展,使行人重识别的研究取得了很多突破。相比于其他提取行人信息的方法深度学习算法更能适应大规模的数据并能自动学习挖掘多维数据中错综复杂的关系,本文立足于深度学习算法,从有监督学习和无监督域自适应行人重识别两个角度做了如下工作:（1）针对有监督场景下网络模型对行人区分性特征提取和挖掘不足的问题,本文提出了一种基于网络模型的自我调节特征方案,称为SRFnet,以解决模型学习行人特征能力有限的问题。利用全局分支对局部分支进行监督,从优化的角度深入挖掘网络的潜在特征,获得更显著的行人特征表示。不同于添加注意的方法,本文首先改进了一个简单的网络模型并针对该模型添加了对应的损失函数以提高网络的特征提取能力,在行人重识别基准数据集上与其他表现较好的方法相比取得了显著的提升。（2）针对无监督域自适应行人重识别聚类过程中产生噪声伪标签的问题,本文提出了一种新的注意力随机变换（ARV）模块,具体而言是一种无参数随机变换模块,通过随机增强特征映射单元产生差异并将其与一种注意机制相结合,扩大网络的差异性和互补性。该模块集成到MMT框架中产生两个协同网络之间的随机差异,进而形成注意力增强网络（AAMN）,以避免网络收敛于同一种噪声。实验结果表明,本文的AAMN方法的平均精度值（m AP）在无监督域自适应任务上较基线值取得了明显的提升。