行人重识别（ReID）是计算机视觉领域的一个重要研究方向,主要解决跨摄像机、跨场景下的行人识别与检索问题,可广泛应用于安防监控和刑事侦查等领域。然而监控环境下的图像易受到背景和光照等因素的干扰,摄像机也会因为夜晚光线不足而切换到红外模式,以上因素都给行人重识别带来了挑战。本文利用深度学习技术,对单模态和跨模态行人重识别问题展开研究,主要工作和创新点如下。（1）针对当前单模态行人重识别中网络结构复杂且准确率仍需提升的情况,在基准网络之上实施三个改进策略,提出一种仅使用全局特征的简单高效的网络模型:1)加入非局部注意力机制,以增强网络对行人本身的关注,减少图像背景和环境因素对行人特征的干扰,从而提升了特征的判别力;2)从度量学习的角度出发进行损失函数设计,引入元素加权的难样本采样三元组损失函数,其选择性放大了负样本与锚点间的距离,进而改善了行人特征空间分布;3)采用将高层网络的权重回滚到其初始训练权重的策略来对低层网络进行充分训练,使得低层网络包含的行人外观细节信息能更大程度为模型所用,从而提高了网络的识别效果。在公开数据集上的实验数据证明,本文提出的单模态行人重识别模型准确率高且网络结构简单。（2）针对当前跨模态行人重识别中红外图像与可见光图像差异较大导致识别率低的问题,提出一种多粒度跨模态行人重识别网络:1)将骨干网络Res Net50改为双流网络结构,分别提取两种模态的特征,再利用网络参数共享的方式,将多模态特定特征投射到模态共享的公共特征空间来学习共同特征;2)设计多粒度网络,利用不同级别的分支进行不同粒度的图像分块,让模型既能学习总体的全局特征也能关注到辨识力更强的局部特征;3)从度量学习的角度出发进行损失函数设计,引入基于异质中心的三元组损失函数,通过将锚点与其他样本的比较改为锚点中心与其他样本中心的比较来减少传统三元组损失的严格约束,使不同模态图像在同一特征空间中映射结果更好。在公开数据集上的实验结果表明,本文提出的跨模态行人重识别算法具有较高的准确率。（3）考虑到行人重识别技术的实际应用问题,在本文提出的行人重识别网络模型基础上设计并实现了简易的行人重识别测试系统。实验结果表明该系统能利用已经训练好的模型进行行人重识别,还能对识别结果进行可视化展示和评估,具有一定的实用价值。