随着社会安防技术的迅速发展,智能视频监控网络被大量应用于各个公众区域,比如道路、机场、火车站、商场等。与智能视频监控技术相关的技术中,行人重识别技术是重要的技术之一。行人重识别的概念是指在多个不重叠的摄像头下检索兴趣行人图片。虽然随着智能视频监控不断增长的需求,行人重识别技术在计算机视觉领域中得到了广泛的关注与发展。但是行人重识别技术仍有许多难点未得到解决。比如行人重识别的跨域适应问题,解决的问题是如何将一个行人重识别数据中训练的模型部署到一个无标签的行人重识别数据中。其次是如何结合全局特征和局部特征以加强模型对于行人的区分能力。所以本文主要研究行人重识别任务的无监督跨数据域适应问题以及局部特征提取问题。基于上述研究背景,本论文围绕行人重识别技术展开研究,通过分析国内外行人重识别技术的研究现状,针对于跨域适应的难点,提出了新的跨域适应行人重识别算法,取得了以下成果:(1)本文提出了一种多对多子域转换的行人重识别方法,以解决行人重识别任务中的跨域适应问题。为了减小源数据域和目标数据域的数据分布差异,首先利用生成对抗模型将源数据域的各个子域风格的图片转换到目标数据域的各个子域风格,然后对转换后的源域数据进行监督学习,从而实现源数据域的模型对于目标数据域的适应。最后基于Market-1501,DukeMTMC-reID的实验都取得了较高的识别效果。(2)本文提出了一种跨域适应的局部特征学习的方法,以解决行人重识别任务中局部特征提取问题。为了能够提取到行人的局部特征,提出了随机局部特征学习的方式。在提升模型性能的同时缩小了模型的参数量,减轻了模型的训练难度。最终基于Market-1501,DukeMTMC-reID和CUHK03数据集上取得了准确度较高的识别效果。