行人重识别的主要任务是从图像或者视频序列中查找是否存在特定行人。在计算机视觉中行人重识别是比较热门的问题,在智能安防、无人超市、行为分析等众多现实场景下都有着一定的应用。在近几年,专家研究者们在行人重识别上研究成果显著,在常见数据集上取得了较高的准确率。由于实际环境的不确定性,会受到背景复杂、光照变化、运动模糊、不同视角、物体遮挡等因素的影响,行人重识别仍然是一个具有挑战性的课题。并且随着热红外、深度相机的发展,多模态行人重识别也引起了很大的关注。因此,本文针对多模态下的行人重识别所面临的模态互补问题和如何在单模态情况下利用多模态生成来获取到红外模态的信息这两个问题展开研究。具体的研究内容主要如下:（1）针对在传统的可见光下的行人重识别存在的光照变化和环境因素影响的问题,本文提出了一种新颖的渐进式融合的方法,通过利用可见光、近红外、热红外三个模态间互补的优势来实现多模态下的行人重识别,网络通过三个不同模态的分支以及两个融合模态分支,能够渐进地学习到从单一模态到多模态,局部信息到全局信息的行人特征。此外,我们还提出了一个全新的多模态行人重识别标准数据集RGBNT201。该数据集包含了在一些困难挑战下一共201个行人的多模态图像。我们的方法在本数据集上的实验结果都优于一些最新的方法。（2）多模态行人重识别能很好地解决一些传统可见光下的行人重识别存在的问题和挑战,对于一些具有挑战性的场景也能很好地进行重识别的任务。但是在现实情况下由于缺乏红外设备,大多数监控环境都是可见光相机,很难获取到多模态的信息。因此对于多模态行人重识别也会遇到模态缺失的情况,针对在缺失模态的情况下如何解决一系列挑战的问题,本文提出了一种基于多模态生成表示学习的行人重识别方法,通过利用已有的多模态行人数据集,来训练生成对抗网络,从而生成质量好的红外行人图像。再将原始可见光图像和生成的红外图像作为输入来训练我们的多模态注意力的行人重识别网络,利用可见光和红外的互补优势,来学习有效的多模态行人表示信息。我们的方法在在Market1501、CUHK03和DukeMTMC-reID数据集上都取得了不错的实验结果。