随着社会科学技术的发展,行人重识别(Personre-IDentification,re-ID)技术被普遍应用于刑事侦查、智慧安防、图像检索等领域。目前在公开的行人数据集上,re-ID已经有了很高的精度。但在实际监控场景中,受限于拍摄角度、遮挡、行人外观穿着以及摄像机分辨率等因素的影响,使得re-ID的研究工作仍然非常具有挑战性。随着深度学习技术的发展,将其运用到行人重识别成为当前研究的一种方向,相比与传统的距离度量和人工特征提取技术,通过深度学习方法的re-ID识别性能更具鲁棒性。本文主要研究内容如下:(1)考虑到训练数据不足会导致模型出现过拟合问题,首先对原始数据集进行扩展,使用了循环生成对抗网络(Cycle GAN)训练对行人数据集中的样本图像进行风格迁移,生成具备行人特征的样本图像,然后将生成样本图像与原始数据集图像融合进行网络训练。由于数据集采集时使用的多个相机参数的不同,进行图像风格迁移时会产生额外的噪音,对循环生成对抗网络采用标准平滑归一化损失函数。最后训练时采用基于卷积神经网络的预训练模型,通过结合一个孪生(Siamese)网络,实现自相似性(self-similarity)和领域差异(domain-dissimilarity)。(2)设计使用了一种改进的二值化三元组损失函数训练方法。针对传统孪生网络训练迭代次数过多容易出现过拟合现象,并且占用计算机运行内存大的特点,本文设计了一种改进的三元组的损失函数。在Market-1501等公开数据集上的测试结果显示,与传统的孪生网络相比,本方法能够在保证较高准确率的前提下同时大大减少了对计算机运行内存的消耗。