行人检索是可以从原始视频帧中直接对要查询的行人进行定位和识别的技术。一个性能出色的行人检索系统可以省去行人检测的环节,极大地降低行人检索在生产生活中应用和部署的难度,为打造智慧城市、增强城市安全、构建智慧生活提供动力,具有重要的使用价值和现实意义。将行人检测和行人识别在统一的架构里建模,并利用深度学习强大的数据拟合能力来训练行人检索系统是当前研究的主要方法。然而,目前的行人检索算法依然存在检测框不准确和识别效果低下的问题。同时,行人检索算法在离开训练集后算法性能急剧下降的问题也在阻碍行人检索在实际中的大规模落地和部署。为了提高行人检索算法的识别准确率,本文提出了基于多任务学习的行人检索系统。该方法使用特征金字塔来构建骨干网络,为检测提供多尺度特征,使得模型可以检测尺度更丰富的目标。同时本文提出使用多任务损失函数来训练行人检索模型,使模型具有从多种不同的角度学习的能力,从而生成更具鉴别力的特征表示。在两个大规模行人检索数据集上的实验表明,本文提出的多任务行人检索算法可以同时提高检测框和行人识别的精度,在CUHK-SYSU和PRW上的m AP准确率和Top-1准确率均有提升,充分验证了多任务行人检索算法的有效性。同时,针对行人检索在算法落地过程中性能下降的问题,本文提出利用自相似聚类算法让模型在目标数据集上以无监督的方式学习,继续挖掘目标数据集中样本之间的相似性。通过对预训练模型提取的特征进行聚类,为目标数据样本生成伪标签,并使用带有伪标签的数据集来让模型在目标数据集上继续学习。通过利用两个行人检索数据集互相迁移,实验结果表明CUHK-SYSU和PRW预训练模型在互相迁移时,m AP和Top-1准确率均有提升,同时多个可视化结果也证明自相似聚类可以优化特征在高维空间中的分布,充分验证了自相似聚类算法可以有效提高模型在目标数据集上的表现。