行人再识别是一种在跨摄像头条件下,查找一位行人的技术。相比于人脸识别更偏应用,研究场景、数据条件等都更加贴近现实,因此不可避免地需要考虑低质量问题。例如由于错误标注导致的标签低质量（标签噪声）和图像视频采集条件差导致的图像低质量（图像噪声）问题。近两年随着行人再识别技术进入大规模现实应用场景,这两个问题也是研究人员确实需要面对的。对于标签噪声,此前少有学者关注此问题,而与行人再识别相似的图像分类任务,关于标签噪声的研究方法略有不同,这是因为:图像质量差距明显,图像分类任务中的图像质量更高;数据量差距较大,本领域的数据集一般以万张样本为单位,而后者一般以千万张为单位。对于图像噪声问题,此前只有单独考虑一类噪声类型的行人再识别方法,而现实应用场景中噪声类型一般是混杂的。为此,本文针对这两个问题分别提出了方法:（1）基于噪声标签自适应的行人再识别方法近两年,许多基于深度学习的行人再识别方法已经在数据集上取得了相当高的识别精度,他们的目标都包括根据给定样本学习到足够充分的特征表示。这些方法基于一个前提假设:数据集中的样本标签是准确的。然而,在学术数据集上存在标签噪声,随着行人再识别技术进入大规模现实应用场景,在更大规模数据集中更是不可避免地存在标签噪声。为此,本文提出一种基于标签噪声自适应的行人再识别方法。在训练初期当非噪声样本（样本标签是准确无误的）学习充分而噪声样本（样本标签是错误的）拟合不足时,根据损失值差异特征,完成对非噪声样本的筛选。在非噪声样本中还存在一些分类难样本,他们与噪声样本都具有拟合困难的特点。为此,将这些样本进行权重重排序,随着迭代过程的进行,难样本获得相对更大的权重而噪声样本的权重逐步衰减。在整体模型迭代过程中,筛选学习模块对噪声和非噪声样本进行了区分,而修正学习模块最大程度降低了噪声样本给模型带来的损害,弥补了难样本学习不足的问题。（2）基于图像质量自适应的行人再识别方法行人再识别作为贴近现实应用场景的研究方向,数据集中广泛存在着由低分辨率、部位缺失、模糊等因素导致的图像低质量问题。此前有单独针对低分辨率问题的方法被提出,但数据集中的图像低质量类型是非单一且复杂的。为此,本文提出一种面向非单一图像噪声类型、提高低质量图像特征表示能力的行人再识别方法。具体来说,将样本的特征表示归一化到特征空间的单位超球面上,缓解了低质量图像与类间更为相似的问题。此外,为了提高特征表示与前景信息中行人特征的相关性,在特征表示提取过程中加入空间注意力机制。