行人重识别作为计算机视觉领域一个重要研究方向,在大型公共场所的智能安防系统中有着广泛的应用。行人重新识别是指利用计算机视觉技术,通过行人的穿着、动作和姿态等提取到行人特征,进而准确识别图像或者视频序列中的目标。近年来随着深度学习的不断发展,很多基于深度学习的模型在行人重识别问题上取得了卓越的表现,但是模型泛化性能仍然不够强,与成熟的商业应用存在一定差距。在训练行人重识别的深度学习模型时,交叉熵损失和三元组损失的应用十分广泛。三元组损失中不同的距离度量函数对于结果有决定性的影响,并且局部优化的特点也导致了模型收敛问题。另一方面,行人的图像来自于多个有差异的摄像头,不同摄像头拍摄到的图像之间存在色彩、视角、光照差异,同时行人的外观易受着装、遮挡、背景等影响:这使得行人重识别任务极具挑战性。另外,为了提升行人重识别模型的效果,大量模型通过多分支局部特征和图像增强算法来提取到泛化性能更强的行人特征。但是,这些模型往往只关注行人本身特征,而忽略了行人重识别是跨摄像头、跨场景的任务。为了解决上述问题,本文以行人特征提取网络中的三元组损失函数作为切入点,提出了基于角度距离的三元组损失。相比较于欧式距离和余弦相似度,角度距离的函数图像更加陡峭,因此可以捕捉到更多的差异,从而学习到更强的模型。本文还将三元组损失函数和交叉熵损失函数相结合,用于弥补三元组损失函数没有全局优化能力的缺陷,使得模型更容易收敛到全局最优点。因此,特征提取器可以提取到更具有区分度、更鲁棒的行人特征。另外,本文提出了有关噪声特征的猜想,认为提取到的特征中包含背景差异、物体遮挡、视角变化和光线差异等噪声特征,并通过相机分类的实验验证了此猜想。基于此猜想,本文提出了两种基于对抗网络的噪声特征过滤模型,这两种模型都通过过滤噪声特征的方式,保留了与行人相关的特征,从而得到了泛化能力更强的行人重识别模型。在实验部分,本文通过2个基线模型、3个基准数据集上的实验结果,展示了本文提出的新方法所带来的显著提升。