跨模态行人重识别是一种针对不同光照场景的跨摄像头行人图像检索技术,对于维护公共安全和平安城市建设具有重要意义。随着深度学习的发展,跨模态行人重识别的算法性能得到较大提升,但目前相关研究的性能表现与落地应用的期望之间仍有较大差距。究其原因在于成像源不同带来的模态差异和视角、姿态等变化造成的行人外观差异的存在,为神经网络提取有鉴别力的特征带来难度与挑战。通过对跨模态行人重识别问题的深入分析,本文从度量学习和特征提取两个方面展开研究,提出了两种跨模态行人重识别算法,有效提升了跨模态行人重识别的准确率。本文主要工作如下:（1）提出一种基于全模态度量的跨模态行人重识别算法,通过更有效的特征学习和特征度量增加网络对于模态差异和外观差异的鲁棒性。首先,采用最优采样策略,提高网络多模态共享信息学习能力及避免样本不平衡扰动;其次,对网络使用逆特征图下采样方法增大输出特征图分辨率以挖掘更丰富的细粒度行人信息,同时对特征图使用广义均值池化避免重要响应丢失;然后,对行人特征距离进行全模态度量,通过度量全模态更多具有代表性的行人数据增强网络特征描述能力,促进类内特征紧凑和类间特征可分;最后,使用身份分类损失和全模态度量三元组损失共同监督网络训练,帮助网络收敛,优化特征层,提高网络重识别性能。（2）提出一种基于知识自蒸馏的跨模态行人重识别算法,以解决跨模态行人重识别网络对高鉴别力特征的感知和提取能力不足,无法进一步提升算法性能的问题。首先,采用部分参数共享的双流网络结构,加强网络对模态专属底层特征及模态共享信息的学习。其次,构造与最深层识别器具有相同结构的浅层识别器,同时建立集成多个损失函数的多维监督机制以实现知识自蒸馏,通过充分的知识迁移提高特征提取网络局部和整体的特征感知和提取能力,促使网络注意并学习到高鉴别力的特征表示,进一步提高重识别准确率。除此之外,该算法的可扩展深度为模型简化提供了可能性,在精度和模型轻量化方面提供灵活选择,展现了在现实场景中的应用潜力。在SYSU-MM01和Reg DB标准数据集上的实验,证明了本文所提算法的有效性和优越性。该论文共有26张图,18张表,81篇参考文献。