行人重识别是近年来计算机视觉领域热度比较高的研究课题,但是一般行人重识别都是针对图像模态的单模态行人重识别,也就是以图搜图,单模态行人重识别技术是基于一个相对理想的假设,即系统拥有在充足的光照条件拍摄的高分辨率目标行人图像,但这在一些实际环境中却并不适用,由此衍生了多模态数据行人重识别的技术,也就是利用多种模态形式的行人信息完成行人的匹配搜索。行人数据存在的模态有很多种,除最常见的图像模态以外,还有很多信息可以描述行人信息,比如,文本、红外图像、深度图像和素描等,本文研究的就是基于文本信息的自然语言对图像信息进行检索的行人重识别。基于自然语言的行人重识别技术研究开始于2017年,也就是在跨模态行人重识别数据集CUHK-PEDES[10]提出之后才逐步开始发展的,但是随后提出的几个网络模型表现效果并不是很好,识别率偏低,同时CUHK-PEDES数据集本身也存在一定的采集和标注问题,这些问题都局限了研究的进一步发展。基于现有研究存在的上述问题,本论文完成的工作内容主要包含以下几个方面:（1）本文收集并标注整理了一个基于自然语言的跨模态行人重识别的数据集,该数据集基于实际监控场景,同时和现有公开数据集相比,新增500个行人身份、2000张图片和近5000条描述,有更大的数据量;（2）针对文本域和图像域跨模态行人重识别中行人的关键属性空间分布不敏感问题,本文在模型中提出了融合局部特征和全局特征的匹配模式;（3）针对常见模型对于单个单词信息和图像对的匹配程度过于敏感的问题,提出了基于名词短语和图像块的局部特征匹配的解决办法;（4）为了实现更加细粒度特征的提取,而不只是针对于图像级别的匹配,本文使用了身份级别损失函数和排序损失函数相结合的度量方式,并通过设置超参数,有机融合了两者损失函数的优点,使网络能提取到更细节化的视觉和文本特征;通过改进网络模型,分别在公开数据集CUHK-PEDES和本文提出的UESTC-CMTR数据集中进行测试,本文提出的新网络模型都以较大幅度的优势胜过现有的七种基准网络模型,具体可见实验表格,实验数据分析充分证明了所提出的框架在行人跨模态重识别任务相关数据集上的有效性。