近年来，随着人工智能的不断发展以及人们对公共场合安全问题的重视，行人再识别任务成为人工智能领域研究的热点。行人再识别任务，是指判断从多个视野不重叠的摄像头出现的行人图像是否为同一行人，主要通过行人的底层视觉特征与高层不变属性特征进行判断，而不需要行人的主观配合，有着重大的研究价值。另一方面，在海量数据中准确高速的找出目标人物并辨别身份对安防等任务有着重要的应用价值，同时行人再识别的研究对于相册聚类、人机交互等日常生活的便捷化有着重要意义。
　　随着卷积神经网络在计算机视觉领域的成功应用，行人再识别任务实现了从传统的手工标注特征的方法到基于深度学习的自适应特征提取方法的跨越，但基于深度学习的方法往往需要大量的高质量的数据集驱动，而数据标注要消耗巨大的人力物力。于是，研究学者们在卷积神经网络的基础上引入生成对抗神经网络的思想，通过生成对抗神经网络生成的新数据实现数据集的扩充，但在这些方法中，行人再识别模型的性能提升来源单一，仅仅通过额外的扩充数据集。
　　本文分别基于表征学习与度量学习提出两种联合训练模型，实现了行人再识别模型与生成对抗网络的生成器和分类器的三重联合训练，通过构建真假样本对，使得在联合训练过程中，行人再识别模型与生成对抗神经网络的判别器对抗训练，相互促进，相互提升。同时，通过判别器性能的提升促进生成器性能的提升，使得生成器生成质量更好的图像，这些生成图像与原始图像混合被视为行人再识别模型的训练集，进一步提升了行人再识别模型的性能。此外，通过额外的数据预处理方式，实现数据集的增广，进而提升了行人再识别模型的性能。
　　本文在三个常用的数据集Market-1501、DukeMTMC与MSMT17上分别基于表征学习和度量学习进行了充分的实验，定量与定性的实验结果证明了本文提出的联合训练模型能够同时提升行人再识别模型的性能与生成对抗网络模型的性能。