行人重识别（Re ID）隶属于计算机视觉领域,是利用多个非重叠摄像机对不同行人进行检索判断,进而对匹配行人进行识别跟踪的一种有效方法,常应用于一些智能安防场景,同时也在刑事侦查中发挥着难以替代的作用。然而,暴露在自然场景下的行人信息易受到视角、光照、分辨率等因素的干扰,摄像机也会因夜晚光线不足的影响而切换至红外模式。这些因素都给行人重识别任务带来了巨大挑战。本文围绕基于深度学习的行人重识别方法,研究单模态和跨模态行人重识别问题,主要工作内容如下:（1）了解前人已有的关于行人重识别单模态和跨模态工作的基础上,总结了一些常见方法的特点,重点从行人图像的特征提取和存在的问题出发,对行人重识别工作的内容和研究方法进行了系统的分析和研究。（2）研究了一种基于跨维度交互的视觉注意力模型。针对视觉注意力机制中通道维度和空间维度之间的相互依赖性缺失而影响CNN产生鲁棒的特征表示问题,实验提出从三分支注意力结构入手,通过捕获特征图的空间维度和输入张量通道维度之间的跨维交互信息,来建立注意力维度间的依存关系。实验结果证明了注意力机制中多维交互的重要性。（3）研究了一种基于空间特性的视觉激活函数。卷积神经网络提取行人图像特征的常规做法中,多是在卷积层创建空间依赖性,再分别进行激活函数的非线性变换,但这会导致激活过程中空间条件的不敏感问题。面对生活中越来越多的复杂行人图像,研究在非线性激活函数中添加空间条件以提取行人图像特征的精细空间布局是非常重要的。实验将提出的视觉激活函数与传统的激活函数进行了比较,证明了前者的优良效用。（4）研究了一种基于生成对抗网络的跨模态数据扩充方法。跨模态领域既存在单模态下的行人识别问题,又需要解决不同模态间行人的差异性。在实现了单模态下有效识别行人的基础上,针对其自身存在的模态间差异性的问题,实验从模态互转的角度出发,提出了一种改进的跨模态数据集。对改进前后的数据集进行对比,证实了模态互转的方法能够缓解行人模态间差异的问题。