行人重识别是视频监控系统中的重要任务,旨在从跨区域的监控摄像头采集到的图像中检索出特定行人的所有图像或视频,实现目标行人重识别,并应用于安防建设、行人追踪和轨迹分析等相关任务中。由于巨大的研究和应用价值,行人重识别成为近年的研究热点。但摄像头分辨率和安装角度、行人行走姿势及光照差异等复杂因素,给行人重识别带来了挑战。本文基于深度特征嵌入对行人重识别进行研究,分别讨论了在可见光图像场景与在可见光和红外图像场景下的行人重识别方法。主要研究及贡献如下:（1）提出了一种基于多尺度特征融合的可见光-可见光行人重识别方法（Omni-Scale Feature Aggregation method,OSFA）。由于行人在行走过程中出现遮挡、姿态变化、角度等现象,采用卷积神经网络构建一个基于全尺度特征聚合的模型来学习判别性的行人特征。训练过程中,模型分别提取行人的判别性局部特征和全局特征用于目标行人的重识别。针对可见光-可见光行人重识别中存在的类内距离大于类间距离的情况,结合多个损失来缩小跨摄像头下同一行人的类内特征距离。在可见光行人重识别数据集上,本方法充分学习到行人的表征信息并表现出较好的重识别效果。（2）提出了一种基于分层共享特征网络的可见光-红外行人重识别方法（Hierarchical Cross-modal shared Feature Network,HCFN）。本方法使用卷积神经网络在可见光图像和红外图像数据集上进行训练,网络分为模态内特征提取模块和跨模态图交互模块两部分。在模态内特征提取模块中提出层次注意力结构,帮助网络学习可见光和红外图像的模态内判别性特征。跨模态图交互模块能够拉近不同模态中同一身份的行人图像,减少可见光和红外图像由于属性差异导致的模态鸿沟问题,监督网络学习身份相关但模态无关的行人表示。在可见光-红外行人重识别数据集上进行的大量实验表明了本方法的先进性和各组成部分的有效性。