行人重识别(Person Re-ID)旨在匹配不同摄像机下的行人,应用于智能安防、智慧城市等领域。随着深度学习和卷积神经网络的快速发展,在某个场景下采集数据进行有监督训练的模型,在该训练场景(即源域)中直接进行应用的性能已经得到了很大的提升。但是,将该模型迁移到另一个不同的场景(即目标域)上应用仍然是一个非常大的挑战。这是因为存在域间差异(两个域中的行人、背景等不同)以及域内差异(同一域中的不同视角变化、姿态变形等)。同时,在现实生活中,会存在多个测试场景(即多个目标域),为每一个目标域训练一个跨域模型的成本是很高的,因此实现在多个域中可通用的跨域模型是非常具有实际意义和挑战的。本文基于深度学习方法对跨域行人重识别的模型以及算法进行了研究,针对以上问题提出了两个模型,具体内容如下:传统的跨单目标域算法直接通过迁移学习训练跨域行人重识别模型,存在损失函数难以准确描述源域与目标域的分布差别以及目标域的域内分布的问题,本文提出一种基于图像风格转换的多任务优化学习算法模型以缓解该问题。该模型由两部分组成:第一部分是图像风格转换模型,旨在学习源域与目标域不同相机下的数据分布,补充目标域缺失的标签,对目标域进行数据扩充,同时减少域间差异以及域内差异造成的影响;第二部分是基于多任务损失函数的行人重识别模型,目的是在目标域的特征空间中学习行人的特征分布、缩小同一个个体的特征距离。通过在MSMT17、Market-1501和Duke MTMC-re ID等数据集上和其他最新算法的性能对比,进一步证明了本模型在跨单目标域任务上的有效性。针对实际应用中较多的多目标域问题,由于多个目标域的分布之间存在差异,单个行人重识别模型难以同时学习到多个目标域分布,本文在跨单目标域行人重识别模型的基础上,进一步提出基于分布对齐和相机属性的行人重识别通用模型。该模型同时学习源域与多个目标域的域间分布,提炼相机属性同时区分域内分布和域间分布,实现多个目标域下行人重识别的通用模型。通过在Market-1501、Duke MTMC-re ID和CUHK03数据集上与其他最新方法的对比,证明了该方法优于现有的大多数行人重识别方法。