行人重识别技术是安防、行人追踪等领域的重要基础,是构建平安城市、智慧城市的重要环节。在行人重识别中,面临着数据集中姿态多样性不足和夜间红外摄像头图像存在域偏差的问题。本文针对以上两项问题,使用生成式神经网络对行人图像作姿态变换和域转换,补充数据集。并根据生成数据分布特点,设计了三元组对抗损失函数,将生成模型和重识别模型的训练组成对抗,使双方模型共同优化。本文算法实现了行人重识别模型在识别精度、对姿态的鲁棒性、对红外图像识别精度三方面的提高。主要研究成果包括:1.实现了一个姿态变换网络,使用姿态变换图扩充行人重识别数据集。该网络可以将行人图像变换为任意姿态,且生成结果清晰,接近真实行人图像。通过将生成的姿态变换图像加入行人重识别数据集,扩充了训练数据,弥补了训练集中姿态缺乏的问题。在公开数据集上测试的结果显示,本数据增强方法可以实现领先的行人重识别准确度和更高的鲁棒性。2.提出了一种生成网络和重识别网络相对抗的训练方法。针对行人图像生成需要保持身份不变的特点,设计了一组基于三元组的对抗损失函数。在Market-1501等公开数据集上的测试结果显示,本方法能够进一步提高行人重识别模型的准确度和泛化能力。3.提出了一种彩色-红外行人图像跨域检索方法。首先实现了一个从彩色图像到红外图像的的迁移网络,并使用前述损失函数,对抗训练图像变换模型和行人重识别模型。在测试时,分别提取行人图像的跨域特征和红外域特征,进行特征融合。结果显示,该方法可以显著提高彩色-红外图像跨域识别的准确度。