行人重识别是指从多个视野不重叠的相机所拍摄的图像中检索目标行人的技术,属于图像检索的子任务。实际场景中,由于光照和视角变化、遮挡、相机分辨率低等因素的影响,同一行人在不同相机下可能呈现较大差异。因此如何在巨大外观差异下,准确度量行人图像间的相似度是目前行人重识别算法需要解决的关键问题之一。本文将从深度度量学习的角度出发,利用深度神经网络提取行人特征,并使用度量损失函数监督网络训练,提升行人图像相似度度量的准确性。针对行人重识别任务中因图像退化导致难以辨识行人身份的问题,提出了基于样本不确定度的距离度量,并设计了相应的损失函数,以缓解传统度量损失函数对噪声等图像退化的敏感性。该方法使用特征模长表征样本不确定度,并在计算损失时根据样本不确定度动态修正样本间距离,以降低低质量样本对训练的影响,从而提升行人重识别模型的鲁棒性。行人重识别是一个细粒度图像检索问题,行人图像中的细节特征对于判定其身份具有关键的意义。为此,提出一种基于交互式策略的局部区域相似性度量算法,通过滑窗匹配的方式查找候选集图像中与查询区域相似度最高局部区域。该算法可以根据用户框选的区域针对性的检索包含对应细节信息的行人,解决了现有方法中网络对细节特征不敏感的问题。为了处理跨模态图像检索问题,设计了模态感知难例挖掘算法。该算法通过组合具有不同模态组成的三元组损失函数,在降低模态差异的同时增强特征的类别判别性,并采用基于梯度的加权进行损失融合。实验表明,本方法在基于草图的图像检索和红外—可见光行人重识别这两大跨模态图像检索任务上都取得了较好的效果。综上,针对现有行人重识别算法存在的对噪声鲁棒性差、对细节特征不敏感、无法处理多模态输入等问题,从深度度量学习的角度对现有算法进行了改进,显著提升了行人重识别算法的检索性能。