视频监控成为现代社会中维护治安以及案件侦查中不可或缺的一部分,其可以准确有效的记录某段时空下的音频、视频信息。通过对监控信息的分析以筛查,可以完成特定人员查找、路线追踪等。但是,使用传统方法或者人工方式需要消耗大量的人力和时间成本。自行人重识别（Person Re-identification,本文中的Person Re ID,Re ID特指行人重识别）提出以来,该问题得到了一定的缓解。但是行人重识别数据集相对于当前阶段研究内容相比,数据集的特征空间的分布上存在较大的缺失,且其数据集存在难以制作,时间和人力成本消耗大等特点,使得行人重识别近年来其在解决难点问题上驻足不前或进展缓慢。不可否认,行人重识别进展缓慢与行人重识别现有数据集不足存在较大的关联。生成对抗网络（Generative Adversarial Networks,GAN在本文中表示生成对抗网络）虽然在行人重识别之后提出。但是其迅速的成为了计算机视觉中的又一热点,被广泛的应用于计算机视觉的多个领域,如:图像修复、图像超分辨率、图像检索、图像生成、图像编辑等。如何使用生成对抗网络对现有的行人重识别数据进行数据增强,通过数据增强方法弥补现有数据集的不足,最终实现行人重识别现存问题的解决等。本文将通过风格、姿势以及服装三个方向的数据增强方式解决现有数据集存在的不足。本文主要研究内容如下:（1）针对于光照变化、场景变化较大时模型识别率下降的问题,我们采用改进当前有关于风格转换的网络,对行人重识别数据集进行风格上的数据增强,获得几倍于原始数据集量的目标任务下的数据。本项任务改进了Cycle GAN网络,相对于原始的网络,我们生成的图像更加清晰,特征空间也更符合目标特征空间。通过数据集中不同特征空间的数据子集的互相转换,可以获得更多的训练数据。同时,该数据增强方法可以用于转换现实中某场景下的数据,用以提高模型某场景下的识别准确率等。（2）对于数据集中人体姿势较少,现实场景中人体姿势更为复杂的问题,与（1）中所述相同的操作,我们使用改进后的PATN将不同图像以及其姿势信息通过特定设计的生成对抗网络,可以获得到一个行人图像对应其他姿势的图像。通过该方法可以扩充数据集中人体姿势信息的数据,最终达到提升模型识别准确率的效果。（3）同样的,对于现实场景中行人存在服装更换的问题。我们还可以通过虚拟试穿生成一人穿着不同衣服的图像。本文提出了PRQ-VTON网络,该虚拟试穿网络可以生成出具有高质量和高真实性的虚拟试穿效果,可以使用该方法研究基于换装的行人重识别方法,该方法可以有效的辅助换装的行人重识别研究。通过对现有数据集应用不同类型的生成对抗网络,我们可以在现有的数据集上实现不同风格、不同姿势的数据增强,最终完成训练模型准确率的提升。此外,本文中的虚拟试穿技术也可以应用到之后基于换装的行人重识别的研究中。本文在Market-1501,MSMT17等数据集上相关的实验可以证明,生成的数据质量优于当前的生成模型,并且使用扩充后的数据集训练的模型在识别精度上有了明显的提升。