近年来,随着深度学习的迅速发展,伴随着计算机硬件性能的快速提升,行人重识别在智能监控、智能安保领域扮演着越来越重要的角色,吸引了研究者的广泛关注。相较于过去基于手工设计特征的行人重识别方法,基于卷积神经网络的行人重识别方法从大规模行人图像数据中挖掘信息,具备更好的特征表示能力。很多最近的研究在这一领域取得了一定的成果,但仍存在很多问题需要解决。在行人重识别研究中,按监督级别的不同,可以大致划分为有监督行人重识别、无监督域自适应行人重识别以及无监督行人重识别。为了解决这三种不同监督级别的行人重识别任务中主要面对的问题,在现有的相关研究工作基础上,本文针对这三种监督级别的行人重识别任务分别提出了三种新方法:（1）对于有监督行人重识别任务,提出了一个混合域关系注意力网络,它通过核心的混合域关系注意力模块可以有效地抑制复杂但无用的背景信息,缓解明显的类内方差带来的影响。混合域关系注意力模块显式地利用了全局关系模式来挖掘结构性信息,这对推断判别性的高级语义特征很有帮助。得益于对全局关系模式的挖掘,模型的注意力可以集中在关键的人体区域。在这一注意力机制中,对于每个特征节点,对该节点与其它所有节点的成对关系建模,并将这种关系特征紧凑地堆叠为张量,再结合节点本身的特征,通过一个小模型来推断注意力权重。以这种方式,混合域关系注意力综合利用了局部和全局信息,能够较好地摆脱无用信息的干扰,最终以全局视角权衡特征节点的重要性。（2）对于无监督域自适应行人重识别任务,提出了一种聚类级别的对比学习框架来优化学习无标签目标数据上的耐噪声表示。其主要针对于现有研究的两个局限性:一是在目标域上生成伪标签引入的标签噪声对于模型优化的阻碍;二是源域和目标域差异造成的对知识迁移的阻碍。为了解决这两个问题,提出并集成了三种方法。首先,通过迭代优化特征学习和聚类精炼提出了一种聚类级别的对比学习方法,以无监督的方式学习耐噪声表示。其次,提出了渐进式迁移策略,在训练阶段没有直接进行微调,而是在两个域上采用共享特征编码器的协作学习机制。通过逐步降低源域上的训练权重,同时增加目标域上的训练权重,可以更好地实现从源域到目标域的知识迁移。最后,提出傅里叶增强的方法,通过在傅里叶空间中增加额外约束,以最大化类别间的离散程度。综合了这些方法,模型可以在目标域上学习到更具有判别性的无监督耐噪声表示。（3）对于无监督行人重识别任务,提出了一个基于软标签学习的无监督行人重识别算法,以缓解伪标签噪声对模型训练的不良影响。通过挖掘映射空间中特征向量间的关系,以一种软约束的方式使相似的图片距离更近,用反映图像的相似度的软标签训练特征编码器网络。不同于独热标签迫使图片属于一个特定的类别,软标签可视为一个多个类别上的概率分布。网络的训练目标不仅是预测图片的真实类别,同时也预测其相似的类别。而最终得到的特征映射相似的图像比较接近而不相似的图像有较大的距离。此外,还引入了一些辅助信息来帮助找到相似的图像。在度量图片间的相似程度时,摄像头的编号和行人图像的局部细节也得到利用,提出了跨摄像头激励机制以缓解同一行人图像的跨摄像头差异。综合了全局外观、局部细节和跨摄像头激励,模型在多个公开数据集上有着较好的表现。综上所述,本文提出了三种基于卷积神经网络的行人重识别方法。通过在公开数据集Market1501、CUHK03、Duke MTMC-re ID、MSMT17上的实验验证,本文的方法相对于很多主流方法有优势,具备一定应用价值。