作为一项计算机视觉领域在现实生活中的重要应用,行人重识别问题因为日益增长的智能监控领域的需要而得到越来越广泛的关注。当前,基于有监督学习的行人重识别任务已经能够取得超越人类的识别效果,但是仍然有以下两个严重的问题阻碍着这项技术的实际应用:首先是低光照场景下,仅基于可见光图像的训练不足以让模型得到可靠的结果,这大大限制了行人重识别技术的应用范围;其次是大规模的模型训练需要海量的数据和标注,这极大地增加了人工成本,并且仅依靠有监督学习得到的模型不能适应未知的行人数据,在这种情况下,研究不需要标签信息的无监督行人重识别就显得尤为重要。本文针对这两个问题分别进行了跨模态行人重识别问题和无监督行人重识别问题的研究。无监督行人重识别由于不需要人工标注的数据信息,近些年来受到越来越广泛的关注。基于聚类和微调的做法是当前跨域行人重识别和无监督行人重识别主流方法,然而这样的方法会舍弃极具价值的离群点带来的信息,从而对模型的训练造成不可挽回的误差。而且,简单地利用伪标签进行交叉熵损失忽略了类内距离和类间距离在这种细粒度分类任务上的重要性。本文根据这两点不足,在跨域行人重识别和无监督行人重识别领域分别做出了改进。本文首先提出利用Arc Face损失对对比损失进行优化增大了类间距离,然后又利用特征线性合成地方法,变相增大了类内密度,减小了类内距离,并将这两种方法应用于当前一个主流的基线模型上,实验验证了这些改进的有效性并取得了先进的精度效果。在无监督行人重识别问题中,本文提出了一个基于动态内存对比学习的无监督行人重识别基线方法,该方法将所有样本实例特征保存在内存中,使用当前数据的特征和内存中的数据特征作对比损失并动态更新,从而确保每一个样本都对模型的训练做出贡献,大量的实验证明,本文提出的基线方法已经取得较为领先的识别结果。随后,本文又结合基线的特性,提出了基于困难样本挖掘的对比损失,并将其同时应用于当前数据和所有内存特征,又提出了基于概率蒸馏算法的平均教师模型来约束模型的训练,防止其参数的快速变化导致的信息损失。在这两种改进下,本文提出的方法在无监督行人重识别和跨域无监督行人重识别两种实验条件下均取得了最先进的实验结果。由于红外图像能够有效弥补可见光图像在低光照条件下的局限性,研究跨模态行人重识别对于提高行人重识别系统的适应性具有重要的实际意义。由于同时存在两种模态的图像,跨模态行人重识别关键在于去除不同模态的特征差异而只保留统一的身份特征。本文提出了基于双路网络的跨模态行人重识别方法,这种方法通过分割骨干网络并不断调整参数共享的范围来分析双路网络应用于跨模态行人重识别中的最佳结构,同时利用类内分布一致性和类间系数相关性约束双路网络输出的不同模态特征。大量实验证明本文提出的方法在当前两个主流的跨模态行人重识别数据集上均取得了先进的识别精度。