随着社会不断发展,大规模设置的摄像头设备时刻记录着城市每一个地方发生的事情,监控设备智能化数据处理成为最近几年学术界和工业界研究的热点问题之一。行人重识别技术因为拥有着十分广泛的应用场景和重要的研究意义而得到很多大型企业和著名学术机构的重视与研究投入。得益于深度学习算法的快速发展和大规模行人重识别数据集的出现,行人重识别技术在一些标准公开数据集上的测试准确率已经得到了显著提高。但是目前大多数行人重识别模型普遍面临同样一个问题:如果训练模型的训练集和评估模型的测试集来自不同的域时,模型表现会有明显下降,这意味着把在一个场景下训练得到的模型迁移到另一个新的场景中进行测试时往往难以得到令人满意的效果。针对行人重识别模型所面临的跨域场景下泛化能力弱的问题,本文做出了以下几点研究:首先,目前大部分行人重识别工作主要利用预训练好的卷积神经网络模型(如ResNet、VGG)提取输入图像特征,之后接一个全连接层和softmax分类器,把每一个行人ID视为一类,通过优化分类损失函数来训练这个模型。这些方法的基本思想是把重识别问题转换为分类问题,方法缺点是训练分类模型对数据的质量和数量要求都比较高,模型泛化能力比较弱。针对这个问题,本文利用三元组损失替代分类损失作为模型训练过程中的优化目标,提高了模型在跨域场景下的泛化能力,在rank1指标上提高了10%以上,在mAP指标上提高了12%以上。其次,虽然行人重识别数据集规模在近几年已经从几千张做到了上万张,但对于深度学习模型的训练来说这样的数据规模还是不够。针对数据规模太小的问题,本文主要采取了两种方法来对训练数据进行扩增,一种是使用生成对抗网络的方法产生出更多训练数据;另外一种方法是基于多个不同行人重识别数据集对模型进行训练。实验结果表明这种增加训练集差异性的方法在提高模型泛化能力中起到了重要作用。本文提出的方法相较于目前准确率最高的跨域行人重识别方法在rank1指标上提高了2.4%,在mAP指标上提高了14.71%。最后,本论文把文中提出的行人重识别模型迁移到了车辆重识别任务中,利用无标签汽车数据对在行人数据集上训练得到的模型进行微调,有效提高了模型在跨类场景下的性能。微调后的模型在rank1指标上提高了14.06%,在mAP指标上提高了5.41%。