行人重识别（Person re-identification）也称行人再识别,是利用计算机视觉技术判断图像或者视频序列中是否存在特定行人的技术。最近几年,随着深度学习技术的不断发展,以及行人重识别数据集规模的不断扩大,理想条件下的行人重识别技术得到快速发展。但是在非理想情况下,行人重识别仍然存在诸多挑战,比如跨模态行人重识别和跨域行人重识别。这两个问题可以归纳成为不同成像条件,不同场景下的行人重识别。白天和晚上人体图片的成像条件和成像硬件不同。白天一般用可见光相机进行拍摄,而夜晚用近红外相机进行拍摄。这两种相机拍摄的图像特点迥异,拍摄出来的图片模态不同。有时候需要使用可见光相机拍摄的人体图片去检索使用近红外相机拍摄的人体图片,以及使用近红外相机拍摄的人体图片去检索可见光相机拍摄的人体图片。该过程称为跨模态行人重识别。除此之外,在某个数据集训练出来的模型,直接将其应用在其他拍摄环境下进行识别,效果会有较大的降低。所以如何提高行人重识别模型的跨域泛化性能尤为重要,该研究方向称为跨域行人重识别。针对跨模态条件下的行人重识别问题,本文设计了一个基于双通道异质图的特征增强模型。以现有的深度学习跨模态行人重识别模型作为基线模型,使用该基线模型提取不同模态的基线特征,再使用该特征构造异质图。在此基础上,本文设计了近邻树搜索方法对异质图中存在的噪声进行去除;再通过双通道聚合和融合的方法,对现有基线特征进行特征增强,从而增强近红外和可见光两种模态特征中的身份语义信息,抑制其中的冗余和干扰信息。经过实验证明,该方法能够有效提高跨模态行人重识别的性能,在SYSU-MM01数据集上面相比基线方法mAP提升12.9%,在RegDB数据集上两种测试模式mAP分别提升16.3%和 17.0%。针对跨域条件下的行人重识别问题,本文采集了监控场景下真实行人数据,构建了一个能够反映跨域泛化能力的行人重识别benchmark——COCAS+。同时本文制作了丰富的仿真行人数据,研究探索了仿真数据集在提高跨域行人重识别中所发挥的作用。实验证明仿真数据能够有效地提高行人重识别在跨域条件下的泛化能力。基于本文所提出的真实和仿真数据多任务协同训练方式,在上述数据集中跨域场景下mAP提高2.2%。