行人再识别是利用计算机视觉系统,在图像或者视频集中搜寻给定人物的任务。任务特点是该人物会从一台相机的视野中消失,然后出现在另外一台与前述相机无重叠视野的相机中。行人再识别已经被广泛应用于社会安保和安防中。目前大多数的研究工作专注于可见光条件下的彩色图像。然而在光线不足的情况下,传统彩色相机的成像是无效的。为了解决光线不足导致彩色相机无法成像的问题,红外相机成为了一个可替代的方案。基于红外相机的成像特殊性,产生了红外图像和彩色图像互相检索匹配的任务,即跨模态行人再识别。跨模态行人再识别领域主要存在两个关键挑战,即难以在不同模态图像之间找到鉴别信息来再识别同一个人,以及难以为大规模的跨模态检索学习鲁棒性的度量。以往大多数工作通过直接对原始特征表示进行学习来解决具有跨模态鸿沟的特征对齐问题,并且提取特征操作也是针对整幅图像进行,导致特征不能很好的对齐,以及对检测错误和人体姿势变化不具备鲁棒性。本文旨在设计一种模型能够解决以上存在的不足。具体的研究工作总结为以下几个方面:（1）针对跨模态行人再识别中彩色图像和红外图像的跨模态鸿沟,本文提出了图像模态转换模型（CE~2L）来解决具有跨模态鸿沟的特征对齐。该模型通过彩色图像和红外图像之间的模态转换来添加判别信息和学习鲁棒性的特征。其优点主要体现在两个方面:1)使用图像模态转换模块将红外图像转换为彩色图像,不仅可以增加图像的识别特征,而且还可以让模型更好地学习两种模态的图像特征;2)图像模态转换模块还可以作为数据量增强器。它可以通过将有标记的训练图像转换为另一种模态图像来增加数据多样性和总数据量,从而防止网络过度拟合。（2）针对视角、背景和行人姿势对再识别的影响,本文提出了人体局部信息协助模型（BANet）,通过考虑人体局部信息线索来获取更具判别性和鲁棒性的特征表示。BANet模型为本文的最终版本,它在CE~2L模型的基础上进一步考虑人体局部部位线索和不同部位的表示权重来学习具有分辨性的信息。BANet模型还进一步消除了背景对再识别的影响。（3）本文提出的CE~2L模型和BANet模型分别在数据集Reg DB和SYSU-MM01上进行了实验。实验结果表明,考虑人体局部信息的BANet模型在实验数据集上取得较好性能,特别是在Reg DB数据集上较目前最新方法提升rank-1和m AP指标约7%。