近年来,基于红外和可见光模态的行人重识别在视频监控、人机互联、智能安保等领域应用广泛,但由于图像间视觉外观具有差异性且红外图像存在着低分辨率等缺陷,使得目前跨模态的行人重识别研究处于起步阶段。通过对跨模态行人重识别问题的深入分析,提出了两种解决方案,分别是特征金子塔随机融合结构与混合损失函数的多模态学习,有效地解决了跨模态行人重识别问题,实验证明了所提算法的有效性。本文的主要研究内容及特色如下:1.针对单一尺度特征学习的局限性和多模态特征融合的复杂性,提出了特征金子塔随机融合模型。首先,引入了超分辨重建策略来处理红外图像视觉糊化对网络训练的干扰;然后,融合高层特征的强语义表征能力与低层特征的强几何细节信息表征能力,实现了高分辨强语义特征作为相似性匹配的唯一输入;最后,融合全局学习和局部学习的优势,设计了多层级不同模态特征的随机融合机制。该模型完成了图像多尺度语义学习任务,而且参与运算的参数量不高,有效解决了跨尺度多模态行人的学习问题,实验数据表明所提出的网络识别精度优于现有的方法,而且模型规模小,训练周期短。2.针对影响跨模态行人重识别性能的核心因素,即模态内视觉外观差异与模态间异质差距,提出了混合损失函数与分类学习模型。首先,基于奇异矩阵的特性设计了SVD层;然后,将交叉熵函数作为基础损失函数,再利用双线性插值算法来显性化差距;最后,利用RGB-RGB、IR-IR、RGB-IR三种模态间的偏置来进一步校正网络。实验数据显示,所提出的基于混合损失函数的多模态分类学习有效地修正了模型。