行人再识别在智能视频监控、智能安保等领域发挥着巨大的作用,在计算机视觉领域已经成为了一个研究热点,近年来受到了大量学者的关注。优秀的行人再识别模型可以抽取出高鲁棒性的行人特征,使得行人分类更加准确,进而有益于完成监控与安保等任务。受限于行人再识别数据集中样本数量与样本类别的不足,许多在现有行人再识别数据集上训练出的模型容易过拟合。生成对抗网络可以通过拟合原始数据集分布从而生成全新的样本,因此,使用生成对抗网络对行人再识别数据集进行扩充,进而提升行人再识别模型的识别效果具有相当重要的意义。当前生成对抗网络在行人再识别中的应用主要分为对于数据集整体样本空间进行学习,从而生成拥有整体数据集样本信息的全新样本,以及通过对不同样本之间的信息重组从而生成全新样本的方法。然而,前者生成的样本视觉效果欠佳,后者单纯地信息整合也未必能对行人再识别研究的落地提供太多帮助。为此,本文以生成对抗网络在行人再识别中的应用作为研究对象,对样本的生成方式展开研究,主要工作如下:（1）针对生成拥有全体数据集信息的样本时,生成的无标签样本无法很好配合原始数据集中有标签样本的问题,提出了一种基于自动编码器与生成对抗网络的编码器解码器辅助对抗生成网络（EDAGAN）。该方法通过使用生成对抗网络拟合低维的编码器特征,生成全新的特征编码,再将该特征编码经由对应的解码器处理,从而获得视觉效果上更好的生成样本。进一步的,针对生成出的无标签样本,改进已有的损失函数,使得无标签生成样本能更好地配合原始有标签样本对行人再识别模型进行训练。实验结果表明,该方法能够有效地提升行人再识别模型识别精度。（2）针对现有行人再识别模型训练时都不可避免地将样本背景纳入特征计算,进而可能会影响模型学习更加鲁棒的特征的缺陷,提出了基于一种实例分割与生成对抗网络的样本处理方法。该方法通过使用实例分割将样本的前景与背景分离,获得与原始样本对应的无背景样本,再将这些样本成对送入生成对抗网络。通过利用统一的背景,配合不同样本间的重组,使得生成对抗网络能够更好地学习到与背景无关的样本特征,从而提升该特征的鲁棒性。实验结果表明,该方法能够进一步提升行人再识别模型识别精度。（3）设计开发了基于生成对抗网络的行人再识别原型系统,该系统主要包括数据集制作、数据处理和行人再识别三大功能模块,实现了对不同需求的场景下的适应能力。并能够根据指定的待查集的不同,将查询图片送入不同的待查集中进行特征提取、比对,从而获得该待查集中最接近的四个对应的行人身份,进而达到行人再识别的目的。该系统在一定程度上能够辅助公安等进行工作,降低他们的工作难度。