行人重识别属于检索任务的子任务,该领域研究如何在来自不同角度的图片中识别出指定行人,可用于追踪嫌疑人、寻找失踪人口等实际应用中。随着这些实际应用的需求不断扩大,该领域受到了越来越多的关注。与此同时,自深度学习和三元组损失被引入到行人重识别领域之后,基于三元组损失的深度学习算法已经成为该领域的首选算法。深度学习拥有强大的特征提取能力,而三元组损失则提供了高效的抽样策略,二者为提高行人重识别算法的表现做出了重大贡献。但不可忽视的是,深度学习带来了性能的提升的同时也带来了安全隐患。对抗样本的出现表明深度学习在对抗性环境中的脆弱性,后门攻击的提出更进一步揭示了深度学习模型的不可靠性。考虑到行人重识别在许多对安全性有着较高需求的应用中被使用、后门攻击大多针对分类任务而无法直接应用于检索任务的现状,我们提出针对基于三元组损失的行人重识别深度学习模型的后门攻击方法,启示后门攻击对行人重识别领域同样具有危害性。在本论文中,我们首先讨论了后门攻击在分类任务和检索任务中的差别,并通过一个简单的验证实验证明后门攻击无法直接应用于基于三元组损失的行人重识别模型,并增加一个对比实验做了进一步的分析与验证。随后我们创造性地提出一种毒三元组样本的抽样策略,我们用添加了trigger的样本来充当其中的锚点,原样本用作负样本,并引入虚拟中心充当其正样本。此外,我们还基于干净样本的对比度对各个类别进行划分,再将真实类别与虚拟中心进行多对一的绑定,同时trigger的亮度会根据样本的对比度来进行调整以提高trigger的真实性。因此我们实际上是将不同亮度的trigger与虚拟中心进行了绑定。最后我们通过理论和实验两个角度验证了我们方法的有效性与合理性,并设置了一系列的实验以探索我们方法中各个参数的作用并说明其最终模型中参数选择的合理性。本论文的工作不仅表明了经修改后的后门攻击能成功迁移到行人重识别领域中,与现有的逃逸攻击相比显得更加高效且隐蔽,更是弥补了行人重识别领域在后门攻击下的研究空白。