行人重识别是智能视频监控领域中的核心技术之一。近年来,基于卷积神经网络的行人重识别方法取得了突破性的进展。然而,现有方法大多数建立在使用外部数据预先训练好的经典分类骨干网络之上,这些网络架构依靠人工设计,架构相对固化,并且严重依赖外部代理数据的预训练。尽管存在一些针对行人重识别任务专门设计网络的方法,但手工设计网络强依赖于专家经验,效率低下,并且难以实现最佳设置。针对上述问题,本文对基于神经架构搜索(NAS)的行人重识别方法进行了深入研究,主要贡献如下:1)提出一种基于检索目标的行人重识别架构搜索方法。自动化设计最优网络架构的NAS方法基本都是为解决分类任务提出的,然而以分类精度指导架构搜索的方向并不适合于行人重识别任务。为了协调两个优化目标之间的不一致性,本文提出了基于检索目标的行人重识别架构搜索方法,其在三元组损失的辅助下建立了新的检索目标来正确指导架构搜索的方向。不只考虑了分类精度,还利用了不同样本之间的距离,通过最大化不同行人之间的特征识别能力来提高算法的排序性能。实验证明,无需依赖外部数据,利用该架构搜索方法直接在目标数据集上自动找到了特别适合于行人重识别任务的高性能网络架构,其能够提取具有判别性的行人特征进行相似度匹配。2)提出了基于多粒度特征的行人重识别架构搜索方法。考虑到当前NAS算法较少对行人所特有的身体结构信息加以利用,为进一步提高搜索算法的性能,在检索目标的基础上,本文提出一种基于多粒度特征的行人重识别架构搜索方法。通过将多个行人部件的粒度特征引入搜索算法,再配合双层级的行人整体特征,以全局粗粒度特征结合局部细粒度特征的多目标损失对网络架构空间进行优化,鼓励搜索算法去学习更丰富的细节性信息来引导架构搜索的方向。实验结果证明,该架构搜索方法自动生成了更加出色的行人重识别网络,取得了比多数人工设计的网络架构更好的性能。