监控在人们的生活,尤其安全方面发挥着重要的作用,如刑事犯罪侦破、老人走丢、儿童拐卖等场景。对于拍摄的视屏数据,在后期可以通过人工比对或借助人脸识别等方法进行辨识,但遇到人脸遮挡,或者拍摄的人脸图像不清晰等问题时,人脸检测系统也无法发挥其作用,人工一一比对又太耗费人力物力。行人再识别可以利用人体形体特征完成图像的检索任务,为解决上述问题提供了可能,因此行人再识别的研究具有重要意义。行人再识别发展到现在,已经取得了一些进展,在各个公开数据集上取得了不错的识别效果,尤其在基于有监督学习领域取得了非常高的识别精度。监督学习需要的数据集需要提前处理（对图像进行标注）,但是前期依靠人工标注数据集非常耗费人力,所以近些年有关行人再识别的研究逐渐向无监督学习方向倾斜。对此,本文对监督学习和无监督学习的行人再识别分别进行了进一步研究,主要内容如下:在有监督学习部分,本文基于TransReID提出了改进模型TransReID-KNN。由于目前有关行人再识别的研究大多以卷积神经网络为主干网络,但卷积神经网络存在一些先天性的不足,所以本文在有监督学习部分研究的是基于Vision Transformer网络开发的TransReID行人再识别模型。本文基于TransReID提出了改进模型TransReID-KNN,然后在两种不同的视觉Transformer主干网络上做了对比实验,通过实验验证了 TransReID-KNN模型的效果,能有效提升行人再识别的准确率。在无监督学习部分,本文从两个方面对基于patch的无监督学习行人再识别做了改进,一是调整基于patch的无监督学习行人再识别网络初始学习率,通过增大初始学习率可以有效提升识别精度同时收敛速度大幅缩短;二是对于行人再识别数据集样本低以及受GAN网络增强数据集方法在基于图像级的行人再识别上有效性的启发,提出了 PAUL+CamStyle（PAULC）方法,并分别在行人再识别原数据集、GAN生成数据集、GAN生成数据集融合原数据集以及随机删除部分GAN生成数据集上做了对比实验。通过实验发现,对GAN生成的数据集进行合理的删除后用作本文训练集,在基于patch的无监督行人再识别上,无论识别精度还是收敛速度都有明显提升。本文在行人再识别的两大研究方向上均提出了改进方法,并获得了较好的性能,具有一定的优势。