再识别技术是模式识别的主要课题之一,是一种判断图像或视频中是否存在特定目标（如行人或车辆）的技术,即给定查询图像,在跨摄像头的数据集或者视频帧里检索出与查询图像相同身份的目标。目前,深度学习和模式识别的结合使得再识别技术取得了长足的发展,但再识别问题仍存在诸多挑战,如识别精度、检索效率和模型域泛化问题。笔者结合元学习、自注意力机制对再识别算法进行改进。主要工作和贡献如下:（1）提出了一种用于提升行人再识别模型域泛化能力的调和元学习方法当泛化到不可见目标域数据集时,行人再识别模型的性能会因为域差异而严重下降。笔者引入元学习方法,在模型训练阶段模拟可见数据集上训练,不可见数据集上测试这一泛化过程,旨在将行人再识别模型的泛化能力学习出来。然而,现存的元学习方法存在不平衡的优化问题,模型收敛性较差。笔者分析了这一问题的成因,并针对性地提出一种改善梯度优化矛盾的调和元学习方法,来引导模型对域不变特征的学习。在四个数据集（Market1501,CUHK03,Duke-MTMC,MSMT17）上的实验证明了所提方法的优越性,所提方法使行人再识别模型更好地泛化到未知的目标域数据集。（2）提出了一种用于车辆再识别精度提升的稀疏自注意力机制车辆再识别技术通常融合全局特征和局部特征作为最终样本特征,目的是通过增强特征的判别性来应对较大的类内差异和类间相似性。然而,几乎所有现存的车辆再识别方法,都需要通过额外的网络、标签或者关键点,来定位车辆的关键性局部用于特征提取,这种方式成本高且效率低。为解决这个问题,笔者将自注意力机制引入车辆再识别方法,它可引导模型自动识别车辆的判别性局部,然而其计算量极大,同时存在注意力衰退的现象。为此,笔者提出了一种由粗到精的稀疏自注意力机制,显著地降低了计算开销,同时改善了自注意力衰退的问题。在两个通用开源数据集（Ve Ri,VERI-Wild）上的充分实验,证明了此算法在车辆再识别精度提升方面的优越性。