随着人们对于自身安全以及公共安全的日益重视,视频监控系统遍布世界各地。海量的视频数据得以保存,如何快速地且智能化地分析和处理视频监控系统拍摄到的视频以及图像数据,是当下亟待解决的问题。作为智能监控系统中的一种不可或缺的技术,行人重识别（person Re-identification,Re-ID）受到了学术界的重视,其主要任务是在跨摄像头视域下匹配同一目标行人。近年来,随着深度学习技术的逐渐成熟,行人重识别领域取得了非常可观的研究成果。在现有的行人重识别研究中,大多数工作都集中在基于可见光图像的行人重识别方向,而该方向的方法非常容易受到光照条件的影响。例如,这些方法在光照不足的条件下其性能会大大降低。此外,针对大量的无标签图像数据,如果将在有标签数据集上训练的行人重识别模型直接应用于无标签数据集上,那么其在无标签数据集上的准确率非常低。针对这些问题,本文分别提出了一种掩模引导的双注意力感知网络和一种基于跨域混合和自适应深度连接注意力网络的方法来解决跨模态行人重识别和无监督跨域行人重识别问题。论文的主要研究内容总结如下:1.在跨模态行人重识别领域,本文主要研究了可见光-红外行人重识别（Visible-Infrared Person Re-ID,VI-REID）。为了提升该领域的识别精度,本文提出了一个掩模引导的双注意力感知网络,通过引入掩模图像增强行人的轮廓特征和外观特征,并且使用了残差注意力模块来捕捉行人的细粒度特征。该注意力模块通过自适应地标定通道维度和空间维度上的特征响应,从两种异质模态中学习更多的具有辨别性的行人特征。大量的实验表明,该方法有效的提高了VI-REID的识别效果。2.在无监督跨域行人重识别领域,为了提升模型从源域迁移到目标域时的识别效果,本文提出了一种基于跨域混合和自适应深度连接注意力网络的方法。该方法使用跨域混合算法在两个域之间引入混合值作为过渡状态来有效地缓解两个域之间的剧烈差异。此外,该方法引入了注意力机制使模型能够自适应地提取行人的具有辨别性的局部信息,从而增强了模型对于物体遮挡以及局部变化的鲁棒性。在目标域的训练过程中,该方法使用了自适应探索的算法来最大化目标域中所有行人图像之间的距离和最小化相似的行人图像之间的距离。该方法在Re-ID数据集上的一致性改进表明了其能够有效的提升跨域行人重识别领域的性能。