行人再识别是计算机视觉领域的一项重要技术,能够在跨域监控系统中识别和跟踪不同的行人,对于刑侦探案、流量分析、寻找丢失的老人和儿童等都具有重要的现实意义。近几年,行人再识别技术得到了广泛的关注,尤其是随着卷积神经网络的应用,极大地促进了端到端的行人再识别技术的发展,也出现了许多研究子类。但是在实际应用中行人再识别任务也面临着一些困难和挑战,比如缺乏大量的训练数据,当前收集到的数据与真实数据的时空分布相比是非常有限的;而且受不同摄像头设置角度、光照变化、背景差异、姿态变化等的影响,行人的视觉特征会发生剧烈变化,增大了匹配难度。如何克服上述因素带来的影响,是解决行人再识别技术的关键。本文基于自然场景下采集的监控视频数据进行行人再识别研究,通过对传统手工设计与卷积神经网络方法进行分析和对比,对整体的研究有了更清晰的认识。本文重点对基于对抗生成网络的行人再识别方法进行研究,对抗生成网络具有生成样本的能力,当前在行人再识别领域得到了广泛的应用。针对数据集存在的训练样本不足以及季节差异问题,本文基于对抗生成网络及其衍变模型进行图像风格转换研究,提出了一个解决方案来完成多场景下的冬夏季节迁移。在循环对抗生成网络的基础上增加身份映射机制并利用额外的约束模块来确保生成样本更符合行人再识别的应用场景。实验结果表明这种方法能够缩短数据集之间存在的季节差异。本文制作了一个新的多季节跨场景行人再识别数据集Traffic4340作为基准进行实验测试。与当前公开数据集相比,Traffic4340收集了自然交通摄像头下的行人图像,不仅具有冬季的数据也有夏季的数据,比较符合真实的应用场景。基于此数据集还可以进行对比实验,分析主流方法的优劣。