大多常规的行人重识别数据集都是在较短时间跨度内收集的,这期间行人的服饰与外观基本不会发生改变。但在例如商场监控、罪犯追踪等很多现实应用中,同一个人的衣服可能会更换,不同的人也可能穿着相似的衣服,常规的行人重识别方法过于依赖行人的服装信息来进行行人匹配,不适用于这种服装变化场景下的行人重识别任务。本文针对服装变化的行人重识别问题进行探究,基于深度卷积生成式对抗网络提出了一种特征解耦方法,用于分离服装外观特征与人体结构特征,以提取服装变化无关的行人特征。我们定义了两个编码模块分别编码行人的外观特征与结构特征,通过生成器将两种特征组合生成重建图像,通过损失函数约束两个编码模块的特征提取,达到了外观特征与结构特征的解耦,其中结构特征作为服装变化无关的行人特征。分别基于图片色相调整的数据增广与人体语义分割这两种思想,在原方法的基础上提出了两个改进方法,旨在更好地优化结构特征编码器的特征提取效果。除此之外,使用生成式对抗网络基于Market1501数据集生成随机更换服装的行人数据集Market1501＿CC,用于测试阶段。以rank-k准确率与m AP作为评价指标,在PRCC数据集与Market1501＿CC数据集上进行实验,并与其他行人重识别方法的结果进行对比分析。实验结果显示本文中改进的两种行人结构特征提取方法在服装变化的行人重识别任务上带来了性能提升,并且这两种方法在常规的行人重识别任务上依然保持了良好的性能。将本研究中提出的模型嵌入到行人跟踪系统中,通过在实际场景中采集测试视频,对该系统进行了可视化测试并与其他方法进行了对比分析。测试结果显示本研究提出的方法在对更换服装的行人跟踪任务上带来了性能提升,并且同样适用于常规的行人跟踪任务,验证了本研究所提出的方法在实际工程应用中的意义与可用性。