行人重识别是计算机视觉领域中一个重要的研究方向,旨在跨监控设备下检索出特定的行人目标,因而在公共安全、智能监控等方面具有广泛的应用。行人重识别的核心问题在于学习到具有区分性的特征以实现高精度的行人检索。近年来,深度学习技术的发展使监督行人重识别算法的性能获得了很大提升,然而大多数方法仅利用身份标签进行模型训练。此外,由于不同数据集分布差异的存在,在一个数据集（源域）训练的模型往往无法很好地泛化到另一个数据集（目标域）。为了解决跨数据集迁移问题,无监督领域自适应方法被广泛运用,但与监督学习方法相比性能上仍有较大差距。因此,针对以上有监督和无监督领域自适应的行人重识别问题,本文基于深度学习提出了两种特征学习算法以提升行人检索性能。在有监督的行人重识别任务中,本文提出了基于卷积神经网络的属性特征学习与融合方法。该方法将行人重识别和属性识别集成在分类网络中进行端到端的多任务学习,可以同时提取到行人的全局特征和属性特征。并进一步利用网络自适应生成的对应于每个属性的权重,将所有属性特征以加权求和的方式结合起来,作为行人的属性融合特征,以捕捉到更充足的细粒度特征。最终属性融合特征和全局特征一起用于行人重识别任务。在行人重识别的主流数据集DukeMTMC-reID和Market-1501上的实验结果表明了所提方法的有效性。在无监督领域自适应的行人重识别任务中,本文提出了基于对抗学习的领域自适应特征学习方法。该方法使用聚类算法生成目标域图片的伪标签,并依此构建类别特征以监督有标签源域数据和无标签目标域数据的特征学习。此外,使用对抗学习方法减小源域和目标域间的分布差异,使得网络在学习判别性特征的同时,还能学习到领域间的不变特征,从而提高泛化能力。在两个领域自适应任务上的实验结果表明,该方法有效提升了目标域上的识别性能。