针对当前跨模态行人重识别算法大多聚类能力不强、且难以提取高效辨别性特征的问题，提出了一种多粒度跨模态行人重识别算法。首先，在骨干网络Resnet50中加入非局部注意力机制模块，关注长距离像素之间的关系，保留细节信息；其次，采用多分支网络提取不同细粒度特征信息，增强模型的辨别性特征提取能力；最后，联合基于样本的三元组损失和基于中心的三元组损失监督训练，加速模型收敛。所提算法在SYSU-MM01数据集的全搜索模式下Rank-1和mean average precision分别达到62.83%和58.10%，在RegDB数据集的可见光到红外模式下Rank-1和mAP分别达到87.78%和76.22%。

针对行人重识别存在的遮挡和姿势变化问题和目前网络识别率低的缺陷，提出了不同空间维度的多分支行人重识别网络模型。首先利用IBN-Net50-a为基础骨干网络提取特征；然后对最后两层卷积层融合批量特征丢弃方法，以增强局部区域专注特征学习；最后拼接不同维度的特征，获得更多浅层、深层的有用信息。在网络训练时，采用三元组损失和标签平滑损失联合策略训练。使用三个常用的基准数据集Market1501、DukeMTMC-reID、CUHK03进行实验验证，并按照主流策略划分数据集。实验结果表明，所提方法的特征泛化能力较好，其中在Market1501数据集的Rank-1和平均准确率（mAP）分别达到95.3%和86.8%；在DukeMTMC-reID数据集的Rank-1和mAP分别达到88.5%和75.9%；在CUHK03数据集的Rank-1和mAP分别达到80.9%和77.8%。

提出了一种基于深度学习自适应权重分配监控视频行人再识别方法。基于验证损失所反映的行人属性训练难度,结合行人属性与行人类别对应关系的信息熵,求解属性对分类的贡献率,自适应求解行人属性多任务分类的训练损失权重,解决多任务分类时分配相同的损失权重造成的负转移问题,以提高每个任务学习器的泛化能力以及对行人类别判别的泛化能力。利用已有数据集中行人属性与行人类别的映射关系,根据已训练好的模型求解属性概率,结合条件概率判别行人类别,克服全局行人再识别中无法识别网络视角变化造成的行人外观剧烈变化的问题。与同类方法在不同公开数据测试集上的客观定量进行对比,结果表明所提方法有效、可行。

针对当前行人重识别方法采用单一底层特征识别率较低的问题，提出一种融合底层和中层特征的识别方法，由粗到精对人体目标进行匹配识别。首先提取目标的颜色直方图和纹理直方图进行粗分类; 然后将人体目标分为头部、躯干和腿部3个部分。忽略包含信息量较少的头部，对躯干和腿部，提出一种中层图像块字典提取方法，并对照该字典生成中层特征，进行精确分类。底层特征结合中层特征使算法既具有较好的区分度，又具有良好的泛化能力。实验结果表明本文算法在VIPeR数据库上的nAUC比已有方法提高6.3%，对遮挡和背景粘连的鲁棒性更好。