行人重识别（Person Re-Identification,Re ID）是分布式多摄像头监控中的一项基本任务,旨在对不同摄像头下的相同行人进行匹配。随着深度学习的迅速发展,传统可见光下行人匹配的精度大幅度提升。然而,深度神经网络存在的缺陷是需要大量有标签数据进行训练。在开放环境下,为每一个感兴趣的目标场景收集标注完备的行人数据是不现实的。另外,对于某些行人外观变化剧烈的场景（如可见光-红外跨模态场景）,实际上很难获取到大量被标记的图像。为了解决行人重识别任务在开放环境下的挑战和问题,本文提出了相关的改进方法。主要工作和贡献包括:（1）提出了一种域交互特征增强方法。为了提升行人重识别模型在未知场景下的泛化性能,目前的大部分研究注重于减小域间差异来捕获行人身份相关的特征。然而,很多域泛化行人重识别算法忽略了行人数据的多样性对深度模型的影响。为了深入探究行人数据与神经网络的迁移性之间的关系以及充分发挥已有数据的潜力,本部分首先从提升数据的多样性出发,从开放环境中采集变化多样的行人数据,使得通过这些数据训练得到的深度模型具有更强的迁移能力。此外,为了挖掘已有数据的潜力,本部分提出一种域信息交互的特征增强方法来扩充原始数据在特征空间的分布广度,从而提升特征的多样性,提升模型的泛化能力。具体来说,通过各个域的统计数据捕获域内分布,然后以损失的额外项的形式高效地实现特征的随机增强。最后,在基准数据集上的大量实验证明了所收集数据的迁移性和所提出方法的有效性。（2）提出了一种跨模态跨域双对齐网络。目前的可见光-红外跨模态行人重识别算法注重于缓解模态间的差异,而忽略了开放环境下有标注的跨模态行人数据难以获取的问题。为了在无标签的可见光-红外数据上实现有效的跨模态行人检索,本部分重点研究跨模态行人重识别模型的域适应问题,即跨模态跨域行人重识别问题。该任务主要包含两个方面的挑战:模态差异的影响和域间隙的干扰。为了促进深度模型提取模态不变和域不变的行人特征,基于对抗理论和伪标签思想,本部分提出一个双对齐网络进行模态级别和域级别的对齐,来在无标签的数据上实现跨模态行人匹配。具体来说,利用基于-距离理论的对抗学习来进行域不变特征的学习,然后生成可靠的伪标签促进目标域的模态对齐。另外,考虑到可见光-红外行人数据较为稀少,为了对提出的方法进行综合评估,本部分基于真实样本来合成数据作为目标域。最终,真实数据和合成数据上的跨域实验证明了提出方法的有效性。