在智能视频监控中,行人是智能监控视频分析中的主体,而跨域行人重识别是公共安全领域智能化的重要挑战技术之一。跨域行人重识别的目的是预测来自不同相机的两幅图像是否属于同一个人。相比于单域行人重识别已经取得的巨大成功,由于源域数据集和目标域数据集之间存在的数据偏差和场景差异,导致跨域行人重识别将源域训练出的行人重识别（re-ID）模型用于目标域会产生显著的性能下降。本文主要针对跨域行人重识别中行人图像空间失配问题以及跨域伪标签质量问题,提出以下两种跨域行人重识别方法,方法如下:（1）本文提出一种基于局部语义自适应分组聚类的跨域行人重识别方法,针对行人图像背景杂乱和空间失配问题,提出利用语义解析网络提取行人上半身和下半身的局部语义特征,并设置控制域提高解析精度,通过实验证明了语义对齐模块对于跨域行人重识别模型的有效性。同时提出自适应分组聚类模块来提高无监督聚类算法的适应性和聚类算法的精确度,通过联合训练局部语义对齐模块和自适应分组聚类模块来提高行人重识别模型的性能。在Market-1501和Duke MTMC-re ID数据集上的实验表明,本文方法比当前先进的跨域行人重识别方法D-MMD,Rank-1分别提高了7.8%,9.6%。（2）本文提出一种基于多标签协同学习的跨域行人重识别方法,首先利用语义解析模型构造了基于语义对齐的多标签数据表示,以引导构建更关注行人前景区域的局部特征,达到语义对齐的目的,减少背景对跨域重识别的影响。进一步,基于行人图像全局特征和语义对齐后的行人局部特征,利用协同学习平均模型生成行人重识别模型的多标签表示,减少跨域场景下噪声硬标签的干扰。最后,利用协同学习网络框架联合多标签的语义对齐模型,提高行人重识别模型的识别能力。实验表明,在Market-1501→Duke MTMC-re ID、Duke MTMC-re ID→Market-1501、Market-1501→MSMT17、Duke MTMC-re ID→MSMT17跨域行人重识别数据集上,与当前先进的跨域行人重识别方法NRMT相比,m AP分别提高了8.3%,8.9%,7.6%,7.9%。本文的方法提高了跨域行人重识别模型的泛化能力,通过与目前先进的跨域行人重识别方法在多个行人重识别数据集上的对比,本文方法在Rank-1和m AP上的性能,证明了本文提出的方法有明显的优越性。