近年来,随着社会流动性增加,智能安防逐渐引起国内外科研学者的重视,而跨模态行人再识别系统是智能安防领域的重要研究课题,国内外科研人员都开展了相关研究,本文在现有成果的基础上进行了优化与改进,旨在深入解决跨模态行人再识别系统的难点与挑战。基于深度学习的跨模态行人再识别系统由两个重要分支组成,分别是行人检测网络和跨模态行人再识别网络,因此,本文的研究课题主要为行人检测和跨模态行人再识别两个方面。本文的主要研究包括以下几个方面。（1）本文深入研究行人检测技术和行人再识别技术的发展历程和理论知识。首先,阐述了多种检测网络算法和基础知识,包括检测网络框架、损失函数和检测后处理模块。其次,介绍了单模态行人再识别算法和跨模态行人再识别算法,并且论述了现有算法的不足与缺陷。最后,在现有成果的基础上,提出了新颖的行人检测网络和跨模态行人再识别网络。（2）本文提出了将Anchor free网络中的经典算法Center Net作为检测分支的基础网络,并且对Center Net进行了改进和优化。首先,改进了Center Net的网络结构,具体来说,通过引入注意力模块提升目标中心点的命中率,避免行人目标被漏检。其次,改进了Center Net网络预测分支的损失函数,旨在提升目标的预测精度,避免非行人目标被误检。（3）本文提出了新颖的双流多层对应融合网络处理跨模态行人再识别任务。首先,提取了多层次特征进行联合学习,从而能够得到具有较强判别性的共性特征。同时将两个模态间同一层次特征进行融合,从而减少模态间的差异。其次,分别对多层次特征进行相应的细粒度分割,以便于捕获关键细节信息。最后,由于双流网络有多个分支,为了避免某个分支主导网络优化,引入了多任务学习,平衡各个分支的作用,促使模型得到更彻底地优化。