行人重识别技术的主要目的是利用视觉外观信息,在跨摄像机的监控网络下检索到特定的人,该技术是智能监控的核心技术之一,其具有很广泛的现实应用场景,如视频监控,人的行为分析,多目标跟踪等。近年来,越来越多的研究人员将卷积神经网络应用到行人重识别任务中,用于提取行人特征。但是由于背景噪声,相机风格不同,光照条件不同等因素的影响,导致行人的外观产生较大的变化,这些挑战增大了行人重识别任务的难度;另外,由于行人重识别数据集制作困难,且当前大量的行人重识别模型泛化能力弱,这些问题严重阻碍着行人重识别在现实生活中的广泛应用。针对上述问题,本文提出了两种不同的算法分别来解决相应的问题,主要工作如下:（1）为了提取更加具有表征能力的行人特征,以解决背景噪声,相机风格变换,光照变化等导致行人外观产生较大变化的问题。本文提出了一种基于多信息融合的全局注意力模块（Multi-information Fusion based Global Attention,MIFGA）。该模块可以从多方面获取特征图中空间位置之间和通道之间的关联信息,从而更好地指导注意力的学习,促使模型提取到更加具有判别性的特征。具体来说,MIFGA包含空间注意力子模块MIFGA-S和通道注意力子模块MIFGA-C。在空间注意力中,由于深层特征中具有更多的语义信息,所以其中也会包含了更多的拓扑信息,例如行人肢体特征之间的拓扑信息。为了挖掘特征图中潜在的拓扑信息,本文进一步提出了自学习图卷积网络（Self-Learning Graph Convolution Network,SLGCN）。MIFGA-S通过融合局部特征的语义信息和空间拓扑信息来指导空间注意力的学习。在通道注意力中,利用通道与通道之间的亲和度信息学习对应的权重,通过加权叠加的方式将注意力聚焦到更加重要的通道上,以此来提升特征图的表征能力。MIFGA-C通过融合通道语义信息和通道亲和度信息来指导通道注意力的学习。通过在公共行人重识别数据集上进行大量的对比实验和消融实验,证明了本文提出的MIFGA可以有效提升行人重识别模型的性能。（2）由于行人重识别数据集制作困难,且现有的行人重识别模型泛化能力弱,导致行人重识别技术难以在现实生活中得到广泛应用。所以本文采用无监督行人重识别的设定,即无需使用具有行人ID标记的行人重识别数据集,这种方式大大地减少了数据集的制作成本。本文提出了一种基于非对称双网络相互教学的无监督行人重识别算法（Asymmetric Double Networks Mutual Teaching,ADNMT）。该算法利用两个非对称网络通过聚类相互生成伪标签,并通过交替训练进行伪标签的更新和优化。具体来说,ADNMT包含两个非对称网络,一个是多粒度网络,其可以提取行人的多粒度特征,并对应多个分类器。另一种为传统的单分支主干网络,用于提取行人特征,并对应一个分类器。此外,本文利用行人图像的相机ID,设计了相机间的相似度补偿（Similarity Compensation of Inter-Camera,SCIC）和相机内的相似度抑制（Similarity Suppression of Intra-Camera,SSIC）来优化行人特征之间的相似度计算,进而减小相机风格的变化对无监督行人重识别性能的影响。本文通过大量实验表明,相比于其他先进的无监督行人重识别算法,ADNMT可以更好解决无监督行人重识别的问题。