近年来,由于公共安全的迫切需求,安防行业蓬勃发展,但是多数安防管理仍然以低效率的人防为主,智能的监控系统亟需被构建,而行人再识别技术是其不可或缺的关键技术之一,已成为计算机视觉领域的研究热点。行人再识别是非重叠视域中特定行人的检索问题,即判断在某个摄像机中出现的特定行人是否出现在其他摄像机中。目前,监控摄像机一般采用可见光-红外双模式交替以实现全时段的日夜运行,由于实际应用需要,可见光-红外行人再识别任务兴起。现有的可见光-红外行人再识别工作采用了多种新颖方法处理这一难题,其大致可以分为三类:直接提取特征,损失函数改进和模态相互生成。模态生成方法避免了前两者易受模型参数变化影响,然而这些方法通常基于空间域进行可见光和红外模态间的直接生成,不可避免地损坏原始图像信息。对此,本文从光谱差异和频域变换的角度,提出了一种可见光-频域模拟多光谱-红外三模态联合学习方法,其中借助非下采样轮廓波变换进行频域变换,并与轻量级神经网络合作,生成频域模拟多光谱（Frequency-domain simulated multispectral,FSMS）模态,将其作为过渡模态缩小了可见光和红外模态间光谱差异跨度。通过对可见光图像通道的重建,利用了图像频域中包含的关键频谱信息和边缘信息,且避免了破坏原始图像的空间结构。此外,为了进一步挖掘多模态联合学习模式的性能潜力,本文进一步设计了不同于常见单流网络和双流网络的三重网络结构,其包含三条支路,中介模态支路与可见光支路共享网络参数,与红外支路共享深层参数。并且,提出多项新颖约束,包括:a)自适应权重的三模态异构检索（THR）损失;b)模态共享分类（MSI）损失;c)跨模态不变（CMI）约束;d)模态内正则项,通过以上约束来促进跨模态不变的辨别性特征提取,稳定和加速模型的收敛过程。最后,通过在主流数据集SYSU-MMO1和Reg DB数据集上的广泛实验证明了上述方法对于可见光-红外行人再识别的有效性。