在现实生活中,公安部门搜索犯罪嫌疑人的踪迹通常是通过视频侦查和视频分析的方式,在现如今人工智能的时代背景下,这种只靠人工侦查的方式显然已经不适应科技的潮流,比较费时费力,容易引起工作人员的视觉疲劳,极有可能因此错过抓捕的最佳时机,如何利用科技才能实现快速检索就成为了一个难题。行人重识别（Person Re-identification,Re ID）因其目标是检索所有与特定行人相似的行人,能更好地辅助安防人员开展监控和搜索工作,故在智能监控、视频追踪等安防领域受到了越来越多的关注。但在实际的场景中,行人重识别的研究仍然受到了诸多挑战,如:把在一个数据集上表现良好的行人重识别模型测试另一个数据集时（跨域）带来的精度下降、数据不够丰富、图像模糊、背景杂乱、行人被异物遮挡等问题。因此,要想行人重识别技术能像人脸识别系统一样广泛运用于现实生活,最重要的任务就是解决这些难题。本文使用生成对抗网络（Generative Adversarial Networks,GAN）在跨域背景下解决数据不够丰富、图像模糊、行人被异物遮挡、行人特征不够完整的问题,提出了一个基于生成对抗网络的跨域行人重识别模型（Cross-domain Person Re-identification Model Based on Generative Adversarial Network,CDGAN）,主要研究内容如下:（1）针对数据不够丰富的问题,本文采用一个基于姿态迁移的行人重识别网络（Person Re-identification Network Based on Pose Transfer,PTN）。该网络通过GAN合成行人图像和不同目标姿态以生成姿态各异的图像,不仅丰富了行人姿态,而且扩充了数据集,使得模型学习到更多的样本,更具识别力。（2）由于原数据集的所有图像都存在模糊问题,这导致上述的PTN网络生成的部分图像也会出现的模糊问题,本文提出了一个基于超分辨率的行人重识别网络（Person Re-identification Network Based on Super Resolution,SRN）。使用GAN重建图像的分辨率,使得图像更清晰,模型学习图像特征时更具判别力。（3）针对模型提取图像特征不够完整的问题,本文提出了一个基于特征融合的跨域行人重识别网络（Cross-domain Person Re-identification Network Based on Feature Fusion,FFGAN）。该网络分别提取行人的全局特征、局部特征和语义特征,再将三类特征融合为完整的行人特征表达。在提取特征之前,为了防止图像受到遮挡因素的影响,采用了一个特征擦除模块直接擦除掉这部分被遮挡的区域。同时,为了模型取得更关键的特征,本文利用了硬注意力、软注意力、空间注意力和通道注意力机制的互补性组合成一个统一的注意力机制模块。实验证明FFGAN具有完整的表达能力和更好地拟合特征。最后将经过PTN增强数据和SRN提高图像分辨率处理后生成的数据集放到FFGAN中构成完整的CDGAN进行训练,经多次实验验证三个网络有效地提升了模型的准确度,在跨域的背景下,解决了模型提取特征不完整、训练样本不足、图像模糊、图像被遮挡的问题,提升了跨域模型的鲁棒性和泛化性。