现代都市生活与监控设备息息相关,小到邻里纠纷,大到刑事侦查,无处不在。其中“中国天网”工程,更是以2000万摄像头的数量,覆盖了中国绝大多数的地区。不仅有效提高了有关机关工作人员的办公效率,而且降低了其工作强度。然而受限于传统的闭路电视监控系统（CCTV）的低分辨率、机动性差、无法调焦等缺点,监控远景、偏远地区以及高层建筑等区域必然成为监控死角,从而使得监控的设备覆盖率的进一步提升受到限制。为了弥补这一缺陷,无人航空载具（UAV）以其灵活的机动性、低廉的价格而备受推崇。它不仅可以有效地覆盖传统的闭路电视监控系统的监控死角,而且对于行人重识别等传统计算机视觉任务都能够起到非常好的辅助作用。对此,本文提出了一种基于单一模态和多模态的行人重识别技术,通过结合无人航空载具的高机动性高速度高分辨率等特点,有效的提升了监控摄像头的行人重识别精度。本文共分为6个章节,其中第1章简要分析行人识别任务面临的主要问题以及相应的解决方法,通过分析其利弊指出我们所提方法的动机,以及实现思路。特别地,我们通过引入注意力（attention）机制,解决了现有行人重识别技术的问题。另外,针对目前行人重识别任务没有基于无人航空载具的公开的数据集,我们将简要介绍自建的数据集。在本文的第2章中,我们将着重回顾行人重识别技术的发展历史,其中包括行人重识别的网络架构发展,常用测评指标以及在视频和航拍图像中的行人重识别技术发展情况。全面对比分析行人重识别技术所面临的各种挑战及其应对策略。在本文的第3章,我们详细介绍了自建数据集的采集过程、标定策略以及实验条件。通过收集了包含不同年龄段、着装的行人在不同的天气条件下的图像数据,有效的避免了数据集的偏置问题,对于行人重识别技术的研究起到一定的推动作用。在第4章中,我们将讨论所提出的单一模态行人重识别方法的推断过程。与传统方法不同,本文提出了一个基于无人机图像特性的框架,不仅通过注意力机制有效地缩小了类间距离,而且通过使用信道群学习（channel group learning）机制,增强了深度学习模型的泛化能力。另外为了进一步验证我们算法的鲁棒性以及数据集的泛化性,我们还将所提出的算法通过迁移学习的手段,在三个最流行的行人重识别数据集上分别与最先进的算法进行了比较。实验证明了我们算法的优异性能。在第5章中,我们进一步讨论所提出的多模态行人重识别技术。在图像外,引入了作为文本的行人属性的信息。再通过word2vec词嵌入和决策森林方法,消减各个模态间的语义鸿沟,从而有效融合各个模态的信息,提升行人重识别技术的精度。最后,我们对于我们通过对所提出的模型进行总结,并对未来的改进方向进行展望。