行人重识别是计算机视觉领域的一个关键任务,可被广泛应用于智能交通与安防。行人数据的特点主要是训练数据有限、样本类间距离小、类内距离大,且数据本身质量不高,含有噪声。这使得行人重识别任务具有较大的挑战性。如何在行人数据上提取出鲁棒的特征是提高重识别性能的关键。本文针对有监督的和无监督的行人重识别任务分别进行了获取鲁棒性特征的研究,且在通用数据集上验证了所提方法的有效性。本文的研究内容及创新点如下:（1）针对重识别模型容易仅依靠很少的空间信息就做出类别判断的问题,本文提出了一个基于通用特征增强的图像分类算法。通过逐步丢弃上一阶段分支结构的高响应区域,迫使下一阶段网络在剩余信息中寻找给出正确类别判断的判据。（2）针对有监督的行人重识别,本文尝试利用概率模型,将网络输出的特征空间建模成多维高斯分布,以高斯分布的方差来表征输入数据的噪声含量。本文在结构以及损失函数设计上都保证了模型的数学意义,且深入挖掘了先验类别信息的作用。（3）本文针对基于聚类的无监督学习进行进一步优化。本文将互相学习机制整合到一个统一的网络中,利用两个相对独立的分支网络来实现互相学习,以对抗聚类带来的标签噪声。同时,本文对最大化相互学习优势的几个技巧进行了详细介绍与分析。