随着社会视频监控系统的不断完善,行人重识别作为一个重要的视频监控应用受到了广大研究者的重视。行人重识别旨在完成跨摄像头场景下对相同身份行人的识别任务,在跨摄像头寻人、嫌疑人识别以及目标行人轨迹追踪等视频监控任务中有着较为重要的应用。随着深度学习的发展,构建深度网络的方法逐渐成为了行人重识别的研究热点之一。对于单模态行人重识别,由于存在拍摄角度不同、光照强度不同及人物遮挡等问题带来的挑战,所以如何设计合理的深度学习网络是基于深度学习方法的主流研究方向。而对于跨模态行人重识别,由于要使用红外行人图像来匹配可见光行人图像,所以还需要考虑到如何缩小同一行人在两种模态下的特征距离。近年来,随着行人重识别方法趋于成熟,采用多分支结构的深度网络表现出了优秀的性能,多分支网络对每个分支使用损失函数计算损失值然后进行反向传播及优化。由于各个分支所作用的区域不同,所以不同的分支具有其独立的特征,不同分支得到的特征信息具有互补性。然而大多数具有多分支结构的网络忽略了各个分支在深层网络中的信息交互,没有使用到不同特征信息的互补性。为了较好地利用特征信息的互补性,本文针对深层次特征互补在单模态行人重识别与跨模态行人重识别中的应用展开研究,论文的主要研究内容如下:（1）为了促进单模态下全局分支与局部分支的信息交互,本文提出了全局映射注意力模块（Global-map Attention Module,GAM）。大多数多分支网络会使用一个基线网络来提取行人图像的深度特征,全局分支作用在整个深度特征区域,局部分支作用在部分深度特征区域。所以全局分支能够更加关注图像中行人所在的位置,但是对细节信息的提取相对较弱,而局部分支能够提取到行人图像中更多的局部细节信息,但是无法得到行人在整张图像中的位置信息。本文提出的GAM通过全局分支生成的热力图来确定行人所在的区域范围,使用热力图来计算空间注意力,然后将空间注意力作用在局部特征上。在行人图像中,行人所在区域拥有更多的有效信息,由GAM计算出的空间注意力可以使作用在行人区域的局部特征得到更高的权重。为了将生成热力图的方法与训练流程相结合,本文还提出了分段传播法在训练网络的过程中生成热力图,省去了单独生成热力图的步骤。（2）为了促进单模态下不同全局分支之间的信息交互,本文提出了标签类互学习（Labeled-class Mutual Learning,LML）。大多数基于特征学习的方法在训练流程中指定一个教师网络进行单向学习,或令不同特征进行双向相互学习。LML基于散度损失来完成不同全局特征之间的相互学习,但LML在学习方向上并不是特定的。对行人图像来说,每张行人图像都有唯一的标签,而不同的全局分支提取的是同一行人图像的全局特征,全局特征经过全连接层处理后可以得到与数据集中行人类别数量相对应的预测特征。在网络训练流程中,LML将学习方向动态的设置为标签类概率高的预测特征,针对不同的图像学习方向也会不同。（3）为了促进跨模态下多个分支间的信息交互,本文提出了多模态特征互补网络（Multi-modality Feature Complement Network,MFCN）。不同于单模态行人重识别,MFCN将信息交互的重点放在了缩小两种不同模态特征的距离上。MFCN构建了一个拥有双流输入和三流输出的基线网络来提取特征。两种模态的图像分别输入对应的输入流,然后由两个单模态流分别提取红外行人图像和可见光行人图像的特征。第三个输出流负责提取两种模态的共享特征,称为共享流,共享流的输入为另外两个单模态流的浅层特征,所以共享流可以提取出两种特征,分别是共享红外图像特征和共享可见光图像特征。在特征补充部分,MFCN利用了图卷积网络（Graph Convolution Network,GCN）的特性,通过设计图卷积网络中点与边的关系来指定特征的补充方向,完成了单模态特征向共享特征的补充,从而增强共享特征。综上所述,本文针对行人重识别提出了三种基于信息交互的方法,GAM,LML以及MFCN,并且在多个数据集上验证了所提方法的优良性能和模块的有效性。