利用深度学习对图像中的行人进行再识别的研究工作已经取得了一定发展。将行人再识别技术应用在真实场景时,常常会遇到摄像视角变化,背景复杂造成遮挡以及光照条件不理想等情况。这些真实存在的复杂应用场景是当前行人再识别技术面临的重要挑战,也是未来项目落地应用的关键。本文针对复杂场景中最常见的遮挡情况以及光照条件不理想这两个干扰提出了相应的行人再识别创新算法:针对存在遮挡的复杂场景,本文提出一种基于随机遮挡的局部行人再识别算法。该算法利用深浅层网络不同大小的感受野学习的特征差异,设计了一条深层遮挡支路和一条浅层遮挡支路。两条支路中的遮挡块随机出现在行人图中不同区域,它能够学习不同尺度的局部特征。两条支路并行操作,在最后通过加权融合。在主干网络学习全局特征的基础上,深层网络的大尺度局部特征,与浅层网络的更细腻的局部特征提供了更加丰富的信息,有效缓解了遮挡带来的干扰影响。网络中引入的channel-spatial注意力机制对算法进行优化。该算法具有更强的鲁棒性和学习能力,在遮挡场景中依然保持优秀的识别率。对于光照条件不理想的场景本文提出了基于空间变换的跨模态行人再识别研究。该算法利用光照理想时的彩色图片去查找光照非理想时IR图片库中的目标行人。将Spatial Transformer Network模块结合在双流网络中并行操作,学习行人歪曲等形变情况,判别图中的重要区域。从而通过仿射变换将两种模态的行人特征对齐,提取出两种模态的共有特征,实现提升类内跨模态相似度。未进行空间变换的全局特征与对齐后的特征融合后水平分块,提取更鲁棒的局部特征。算法最后使用交叉熵损失和中心异质损失共同监督训练。本文算法利用空间变换使网络在光照不足场景中保持性能稳定。