现有的基于深度神经网络的行人重识别算法,主要聚焦于模型监督学习的算法研究。而这种基于有标签数据训练得到的模型,虽然在实验室场景下能够取得卓越的成果,但是很难被部署应用到现实场景中。这主要是因为用于训练模型的数据与实际场景中的数据分布之间存在着巨大的差异。这种分布差异的问题可以通过收集并标注与测试数据独立同分布的训练集来解决。但是在数据收集和标注的过程中,需要付出巨大的人力物力和时间成本,难以被广泛应用。为了解决上述问题,研究人员开始关注面向行人重识别的领域迁移问题,尝试利用领域迁移方法来处理行人重识别模型在现实场景中的应用问题。本文针对领域迁移中的两个子问题:无监督领域适应和领域泛化,从任务特性和行人数据集特点的角度出发,提出了全新有效的算法。具体的研究内容和创新点如下:（1）基于面向任务动态特征解耦网络的行人重识别无监督领域适应方法。本文首次提出了“面向任务”的概念,对无监督领域适应问题进行分析研究并提出了一个面向任务的动态特征解耦网络（DTDN）。根据与任务的相关性概念,将特征解耦成“任务有关”和“任务无关”两部分。其中,任务有关的特征同时具有可判别性和领域无关性,任务无关部分的特征则与之相反。通过该方法可以准确地将特征解耦,并利用同时具有可判别性和领域无关性的特征,完成无监督领域适应的行人重识别任务。基于本文提出的面向任务的动态特征解耦网络,在Market-1501和DukeMTMC-ReID的数据集上分别提高了 8.9%和6.7%的Rank-1准确度。（2）基于双层面分布对齐网络的行人重识别领域泛化方法。本文确认了在该问题中的两个基本挑战:领域不变性和身份相似性。针对行人重识别数据的特点,提出了两个约束:基于边缘-中心的领域对抗特征学习约束和跨领域身份相似度增强约束。利用一个基于双层面的分布对齐网络（DDAN）来学习具有领域不变性的特征。通过该方法有效地减少了多个领域之间的领域差异,获取到具有领域泛化性的有效性特征,训练获得的模型能够被直接应用在任何行人重识别数据中,无需再次收集数据和二次训练。本文提出方法在通用的行人重识别领域泛化数据集中比当前最好的方法平均提高了 3.3%的Rank-1准确度。