行人重识别旨在视野非重叠的不同摄像机下寻找包含相同行人的图像,是智慧城市中的重要一环,也是国内外研究的热点课题之一。然而,现阶段的行人重识别研究领域还存在两大问题。问题一是现有的方法往往需要大量高质量标注好的数据来训练模型,并且生成的模型易局限于特定的、单一的场景,不能很好地应用到新场景中,即模型可移植性差、泛化能力弱、容易出现过拟合现象。问题二是不同的监控设施的采集场景不一,不同的摄像机、光照情况、拍摄角度、遮挡障碍物等因素会不可避免地给行人重识别的结果带来消极影响,关键信息和重要信息的遗漏也可能导致模型的性能下滑。针对上述的问题一,本文立足于行人重识别中的无监督域适应问题,提出了一种基于风格迁移的两阶段跨域行人重识别方法。该方法引入的两阶段跨域的方法能够充分挖掘无标注数据集的身份特定信息。第一阶段是在原数据集域内进行摄像机增强,生成摄像机信息丰富的新数据集。第二阶段是将生成的新数据集和目标数据集进行域间整域迁移,使生成的模型能同时适应跨摄像机和跨域两种情况。通过训练鲁棒性更强的模型,可以得到精度更高的排序列表。通过该方法训练出的域适应模型,可以有效平滑摄像机差异与域差异。针对上述的问题二,本文立足于提取区分度更高的行人特征,提出了一种基于多区域特征融合的行人重识别方法。该方法首先将图片水平分割,然后根据不同的策略将被分割的各部分图片组合起来,通过组合后的训练结果确定最优化的图片分割策略。然后将能达到最优结果的融合特征放入网络中进行训练,对融合后的特征进行距离计算,最终得到排序列表。通过该方法可以将容易被忽略的特征利用起来,从而得到的特征具有更好的鲁棒性,可以有效提高模型的精度。在针对问题一提出的基于风格迁移的跨域行人重识别方法中,使用了最广泛的公用数据集Market1501和Duke MTMC来验证本文所提出方法的可行性,以Rank-1和m AP指标反映该方法的性能。在针对问题二提出的基于多区域特征融合的行人重识别方法中,还增加了在公用数据集CUHK03上的实验。实验结果表明,本文提出的方法在这两个数据集上均表现出更高的Rank-1与m AP,表明本文在跨域和特征融合方面的改进能够有效提高行人重识别模型的性能,且优于现有的行人重识别方法。