作为智能监控的核心技术,行人重识别在社会中的重要性与日俱增。行人重识别技术旨在不同时间、非重叠摄像机下检索与特定查询图像具有相同身份的其他图像,是人工智能领域的研究热点之一。然而,有监督行人重识别目前主要面临行人姿态差异较大、相机风格变化、以及行人关键部位被遮挡等挑战。此外,无监督行人重识别也面临着因源域和目标域数据分布不一致而导致的域间差异以及域内样本间风格差异而导致的网络特征提取能力不足等问题。针对上述问题,提出了两种模型来提高有监督和无监督行人重识别的性能。主要工作如下:（1）为了在挖掘行人图像显著性信息的同时获取更多的潜在有效信息,提出了一种局部信息交互增强网络（LIEN）,将注意力机制与基于局部的方法进行融合,使两者达到相互促进、相互补充的作用。具体地,LIEN由主干网络、双重注意力模块（DAM）和局部信息交互模块（LIM）组成。DAM用于引导主干网络提取局部显著性信息,LIM通过探究各个通道级局部特征之间的相互关联来挖掘那些被注意力机制所忽略的有效语义信息。在这两个模块的共同作用下,LIEN能够在挖掘显著性特征的同时,获取更多的潜在有效信息,并且有效地避免了传统的局部分块方法所造成的行人错位问题。（2）为了同时削弱域间差异和域内样本间风格差异的影响,提出了一种域间融合及域内风格归一化网络（DFDSN-Net）。具体地,DFDSN-Net主要由主干网络、域间融合模块（DFM）和域内风格归一化模块（DSNM）组成。其中,DFM通过对源域特征和目标域特征进行深层次融合,来帮助网络逐步适应源域和目标域的数据分布,削弱域间差异带来的影响。DSNM通过在消除域内样本间风格差异的同时,关注被实例归一化消除掉的有用信息,来提高网络的特征提取能力。DFDSN-Net通过同时使用DFM和DSNM,能够同时削弱域间差异和域内样本间风格差异的影响,进而提升无监督行人重识别的性能。（3）为了验证LIEN和DFDSN-Net的有效性与先进性,在Market-1501数据集、Duke MTMC-Re ID数据集、MSMT17数据集、CUHK03数据集和Person X数据集上进行了大量的消融实验和对比实验。实验结果表明,与目前先进的行人重识别方法相比,LIEN和DFDSN-Net均取得了较高的识别精度。