行人重识别(Person Re-Identification,ReID)在近年来的研究中被认作是一个图像检索的子问题,意在判断在不同安全摄像机拍摄的图片中是否有特定的行人。近几年来随着深度学习技术的不断发展,基于深度学习的行人重识别的研究已经获得显著的进步,同时在公共安全,安防监控,智慧城市等诸多领域得到广泛应用。行人重识别的数据主要来源是城市中的摄像机所拍摄的图片。在实际的场景中,由于环境因素十分复杂,包括图像分辨率低、行人姿态变化、行人着装变化、光线变化、遮挡等一系列问题,使行人重识别任务更复杂,富有挑战性。同时,由于行人图像数据量非常大,并且多数为无标签数据,人工赋予标签耗费极高的人力成本、时间成本。如何高效的利用数量庞大的数据也是目前的热点问题。本文针对行人图像分辨率低,细节特征表达能力差和大量行人图片无法充分利用的问题分别提出了相对应的方法,主要概述如下:针对由于行人图像分辨率低而导致模型细节特征表达能力差的问题,本文基于深度学习的方法提出了多粒度分辨率网络(Multiple Granularities Resolution Networks,MGRN),在传统的分块多粒度网络的基础上,增添了多分辨率的特征信息,该结构使模型在细节特征提取能力上得到了提高,同时增加注意力机制结构,发挥多粒度的优势,使模型自行学习到不同粒度的权重占比。最后以结构化的方式输出行人的特征向量,有效的提高了模型的特征表达能力。该模型已达到有监督行人重识别任务的最优性能。针对跨域行人重识别任务中以往模型忽略同一行人的部分相似性问题。本文提出一种多粒度标签的方法,分别计算MGRN多粒度网络的每条分支输出的特征向量,采用聚类的方法得到目标域的“伪标签”并将其赋予目标域数据集,形成每张行人图像拥有一个主身份标识以及多个分块身份标识的多粒度标签结构,补充特征部分相似性。模型在目标域中不断迭代训练,从而使模型自适应目标域数据集。