当今社会对公共安全的意识愈发强烈、需求愈加迫切。以安防系统采集到的视频数据为基础的行人检测和行人重识别研究在维护公共安全等方面有重大的应用价值。相比于传统人工方法,行人重识别算法在从海量数据中检索特定人员的任务中有着节省人力、提升效率等巨大优势。因此,对行人重识别进行充分的研究具有十分重要的理论价值和实际价值。近年来,基于卷积神经网络的行人重识别研究取得了一定的进展。数据集方面,Market-1501、DukeMTMC-reID和MSMT17等大型数据集相继被提出;算法方面,表征学习和度量学习两大分支下各种巧妙而有效的研究进行的如火如荼。但是由于行人重识别固有的检索难度以及姿态、光照、遮挡等外部问题导致其研究距离实际应用还有一定的距离。就表征学习方向而言,研究者们利用全局和局部特征时往往没有考虑到行人区域本身有一定的细粒度信息以及网络的层级信息。另外,注意力模型在行人重识别领域也被证明对从行人框背景中分离出行人是有效的,但是往往模型中注意力掩膜的获得比较笼统,并没有针对位置的权重做编码。针对以上问题,本文在前人研究的基础上进行了拓展性的探索。在行人语义信息的探索上,本文针对行人属性和卷积层的层级信息加以利用;另外,提出了一个利用平面间相对位置关系的注意力模块。本文所有的网络结构均在包括Market-1501、DukeMTMC-reID和MSMT17三大数据集上进行了充足的实验论证其可行性和有效性。具体工作分为如下两方面:1.考虑到行人的属性对于识别行人具有鲁棒性和参考价值,提出了一个多分支多任务模型,即基于部件的属性感知网络(PAAN),以充分利用全局可见的行人类别标签和行人属性标签。其中一个属性分支可以进行行人属性识别,另一个分支用以预测行人类别标签。在属性分支中利用提出的分层划分策略,抽取适当位置的行人表征预测不同的属性类别。总的目标函数由两个分支的交叉熵损失通过系数线性偶合。此外,为了增强网络分支前的共享卷积层的行人表征,设计了一个语义桥架构,用以融合卷积层中高层的语义信息。2.为了使所学习到的行人表征更加精确,本文提出了一个弱空间注意力模块(WSAM)。此模块主要通过格拉姆矩阵得到模块输入各空间位置的相对重要性,以此为掩膜作为输入的权重,最后得到的输出通过可学习的参数线性组合进模块的输出。通过对模块的可视化分析可以看出模块的输出相比输入在定位行人位置上更加准确,印证了模块设计的初衷。此模块可以方便的集成到基础网络的各个卷积层中,提高行人重识别检索性能。