行人重识别旨在从多个摄像机拍摄的数据中正确匹配感兴趣的行人,其在智能安防、智慧交通以及智能警务等领域有着广泛应用。近些年随着深度学习的快速发展以及计算设备的性能提升,行人重识别研究取得了瞩目的进展。然而,行人重识别面对的监控场景是复杂多样的,遮挡、模糊、背景和衣着变化等因素会给现有方法带来很大的挑战。为了更好地应对复杂环境,提升行人重识别系统的鲁棒性和区分力,本文从多线索信息融合的角度出发,在时空信息融合、前背景信息融合以及视觉无线信息融合等方面着手展开研究。本文的研究内容以及创新点主要包含以下四个方面:首先,在时间与空间信息融合方面,本文提出了一个精化循环单元,通过融合时空信息,提升视频帧的特征质量。对于行人重识别,遮挡和模糊等视觉干扰因素会使某些帧提取到的特征退化,含有大量噪声。但是视频帧之间的信息冗余以及视频中包含的运动信息,可以使得某一帧的内容通过参考相邻帧的信息进行恢复。为了对视频的上述特性进行建模,本文设计了一个精化循环单元,通过利用帧与帧之间行人的外观变化以及运动信息来精化每一帧的特征,降低噪声的影响。应用了这一精化循环单元的行人重识别模型在大型数据集上取得了领先精度。其次,在前景与背景信息融合方面,本文设计了一个双路前背景融合学习方法,提升模型对前景和背景的区分能力。行人重识别中的监控场景复杂多变,这使得模型难以区分前景和背景,干扰了模型对行人特征的提取。针对这一问题,本文提出了一个双分支的前景背景融合学习方法,借助行人身份与相机身份的对偶性引导两个分支分别提取前景特征和背景特征。基于两个分支关注区域的互补性,本文又提出了一个目标增强模块,使得两个分支可以相互融合,相互约束,互相促进。大量的实验数据和可视化结果表明,所提方法能有效区分前景和背景,并在多个大型行人重识别数据集上达到了领先性能。第三,在视觉与无线信息融合方面,本文提出了一个基于上下文传播的多模态行人重识别框架,通过结合视觉信息与行人手机的无线定位信息,提升行人重识别系统的可靠性和性能。视觉数据容易受到遮挡和换装等视觉噪声的影响而变得不可靠,而智能手机的无线定位信号不会受到视觉噪声的影响。基于这一特性,本文提出了综合利用视觉数据与无线定位数据实现行人重识别和信号匹配的新任务,并提出了一个全场景标注下的多模态行人重识别框架。此框架依靠一个循环上下文传播单元融合视觉信息与无线信息,并借助一个无监督的多模态跨域训练方法,使用多模态数据训练行人重识别模型。所提框架融合了多模态数据各自的优点,提升了系统的可靠性和性能,相较于现有视觉算法实现了明显的性能提升。最后,在视觉与无线信息融合方面,本文进一步提出一个基于图神经网络的多模态行人重识别框架,相较于基于全场景标注的方法,在性能相当的情况下显著降低了数据标注开销。基于全场景标注的方法通过对整个监控区域的经纬度标注关联多模态数据,虽然提升了数据关联的可靠性,但是引入了大量的数据标注开销。针对这一问题,本文提出了一个弱场景标注下的多模态行人重识别框架,其只需要标注监控相机的位置信息,便可借助一个多模态数据关联模块建立视觉数据与无线数据之间的关联,并通过一个多模态图神经网络融合多模态信息。此方法在多个数据集上超过了现有的视觉方法,并在显著降低数据标注开销的情况下,获得了与基于全场景标注的方法相当的精度。