La reidentificación de personas (Re-ID) tiene como objetivo recuperar la identificación de un peatón en particular de un sistema de vigilancia que consiste en cámaras no superpuestas. En los últimos años, los investigadores han comenzado a centrarse en tareas de Re-ID de personas en un mundo abierto basadas en situaciones no ideales. Uno de los más representativos de estos es el Re-ID de personas multimodal, que tiene como objetivo emparejar datos de sonda con datos objetivo de diferentes modalidades. Según las modalidades de los datos de sonda y objetivo, dividimos el Re-ID de personas multimodal en visible-infrarrojo, visible-profundo, visible-boceto y visible-texto. En el Re-ID de personas multimodal, el problema más desafiante es la brecha modal. Según los diferentes métodos para reducir la brecha modal, clasificamos los trabajos existentes en métodos de conversión de estilo basados en imágenes, métodos de mapeo de incrustación invariante de la modalidad basados en características y métodos de extracción de información auxiliar no relacionada con la modalidad. Además, al generalizar los trabajos mencionados anteriormente, descubrimos que aunque los modelos basados en aprendizaje profundo funcionan bien, el proceso de aprendizaje tipo caja negra hace que estos modelos sean menos interpretables y generalizados. Por lo tanto, intentamos interpretar diferentes modelos de Re-ID de personas multimodales desde una perspectiva matemática. A través del trabajo anterior, intentamos compensar la falta de interpretación matemática de modelos en revisiones anteriores de Re-ID de personas y esperamos que nuestro trabajo traiga nueva inspiración a los investigadores.