针对行人重识别中行人文本属性信息未被充分利用以及文本属性之间语义联系未被挖掘的问题，提出一种基于多模态的图卷积神经网络（GCN）行人重识别方法。首先使用深度卷积神经网络（DCNN）学习行人文本属性与行人图像特征；然后借助GCN有效的关系挖掘能力，将文本属性特征与图像特征作为GCN的输入，通过图卷积运算来传递文本属性节点间的语义信息，从而学习文本属性间隐含的语义联系信息，并将该语义信息融入图像特征中；最后GCN输出鲁棒的行人特征。该多模态的行人重识别方法在Market-1501数据集上获得了87.6%的平均精度均值（mAP）和95.1%的Rank-1准确度；在DukeMTMC-reID数据集上获得了77.3%的mAP和88.4%的Rank-1准确度，验证了所提方法的有效性。

目前生成式对抗网络（GAN）已经被用于图像的动漫风格转换。然而，现有基于GAN的动漫生成模型主要以日本动漫和美国动漫为对象，集中在写实风格的提取与生成，很少关注到中国风动漫中写意风格的迁移，因此限制了GAN在国内广大动漫制作市场中的应用。针对这一问题，通过将中国写意风格融入到GAN模型，提出了一种新的中国风动漫生成式对抗网络模型CCGAN，用以自动生成具有中国写意风格的动漫视频。首先，通过在生成器中增加反向残差块，构造了一个轻量级的深度神经网络模型，以降低视频生成的计算代价。其次，为了提取并迁移中国写意风格中图像边缘锐利、内容构造抽象、描边线条具有水墨质感等性质，在生成器中构造了灰度样式损失和颜色重建损失，以约束真实图像和中国风样例图像在风格上的高层语义一致性，并且在判别器中构造了灰度对抗损失和边缘促进对抗损失，以约束重构图像与样例图像保持相同的边缘特性。最终，采用Adam算法最小化上述损失函数，从而实现风格迁移，并将重构图像组合为视频。实验结果表明，与目前最具代表性的风格迁移模型CycleGAN与CartoonGAN相比，所提CCGAN可从以《中国唱诗班》为例的中国风动漫中有效地学习到中国写意风格，同时显著降低了计算代价，适合于大批量动漫视频的快速生成。