随着当今社会的不断发展,摄像头设备时时刻刻在记录和监督着社会的平稳发展。在目前备受关注的智慧城市中,智能监控也在智慧城市中构成了安防的重要组成部分。随着人脸识别技术的逐渐推广,行人重识别技术因为其广泛的应用场景和研究意义而被大量学者和机构研究。行人重识别在智慧监控和城市安全等领域有很大潜力。随着深度学习算法的迭代和优化,以及很多行人重识别相关的大规模公开数据集的出现,目前在可见光领域镜头下的行人重识别已经达到比较高的精度。然而相对于白天,夜间监控只能依靠红外摄像头来获取比较清晰的图像。事实上,红外监控在城市安全和室内监控等方面起着很大的作用。但是目前用于夜间监控的红外-可见光跨模态行人重识别的相关研究比较少,大多存在难以解决红外和可见光图像间跨模态差异的问题,在此领域依旧有很大的提升空间。针对红外-可见光跨模态行人重识别的识别精度差的问题,本文主要做出了以下几点研究:首先,现有工作主要集中在使用两个模型分别提取红外和可见光行人的特征,然后通过共享权重的全连接层,以及相同的loss回归层进行分类和度量学习。然而通过实验和分析,我们发现使用两个模型分别提取两个模态的特征,对特征的拟合效果不如使用共享权重的模型进行特征提取。相对于文本与图像或文本与音频之间的跨模态识别,红外和可见光图像在二维上的相似度比较高,因此转成一维特征值后再进行对齐效果不够理想。本文提出了一个基于残差网络和局部特征的跨模态行人重识别模型,该模型是一个简单有效地端到端的跨模态行人重识别模型,通过更关注模型的低层次特征,在基本不增加模型参数量的前提下提高了精度。其次,为了进一步减小红外和可见光两个模态的特征差异性,本文使用基于欧氏距离的均方差损失约束特征,同时提出多层损失约束函数,增强模型在低层次特征提取时对共性特征的提取。同时,本文使用三角学习率进一步推动模型收敛。最后,虽然当前跨模态行人重识别的公开数据集从几千张图片扩充到了几万张图片,但是相对于人脸识别的千万张图片的数据集,跨模态行人重识别数据集依然偏小,因此本文通过随机擦除图片上的部分区域,来对数据集进行进一步扩增,增强模型的鲁棒性。实验表明,我们的模型在跨模态行人重识别的公开数据集SYSUMM01的在全范围多检索模式下达到了首位命中率（Rank1,是指在图像检索时第一张返回的图像正确的比例）为70.20%,平均检索精度（m AP,mean Average Precision,是指模型多个样本检索准确率的平均值）为54.21%,在Reg DB数据集上达到了首位命中率Rank1为86.17%,平均检索精度m AP为81.81%,都显著超过现有方法的数据。