近年来,随着人们公共安全意识的提高,智能安防监控系统在公共安全领域中起到了越来越重要的作用,而行人再识别作为其中一项关键技术,受到了广泛的关注和研究。但在复杂的实际应用场景中,通常会存在行人姿态变化、空间错位等不理想的情况,导致算法提取到的行人特征难以达到理想的效果。因此,本文主要围绕如何增强行人特征的表示能力展开研究,提出了两种能够有效增强行人特征的行人再识别网络。本文的主要工作内容及创新点总结如下:1.针对复杂场景中存在行人姿态变化、空间错位以及光照强度变化等状况,导致行人特征不够理想的问题,本文提出了一个基于金字塔结构的特征增强网络用于增强行人特征的表示能力。该网络设计出一个金字塔联合注意力模型,通过采用双流分支的方法将一个新的基于金字塔结构的空间注意力模型和现有的通道注意力模型进行有效结合,充分发挥两种不同注意力机制的互补特性,增强行人特征的表示能力。此外,该网络还包含一个简单的特征融合分支,能够将不同网络层的行人特征进行有效融合,从而丰富行人特征所包含的信息。实验表明,该网络能够有效增强行人特征的表示能力,进一步提升网络的识别效果。2.针对无监督跨域问题中,由于复杂的实际场景中往往存在不同行人间外观相似度较高,相同行人间外观变化剧烈的现象,导致采用聚类算法生成伪标签的过程中将不可避免的带来标签误差的问题,本文提出了基于交互注意力和代理学习的伪标签优化网络,用于有效增强行人特征的表示能力并优化网络的训练过程。该网络通过设计出交互注意力模型用于加强行人特征不同维度的信息交互,提升不同行人特征间的区分能力。此外,该网络还采用代理学习将平均模型以及特征存储器进行有效结合,将提取到的特征与目标域整体样本进行相似度计算,并为目标域中的每个样本都生成对应的软伪标签用于优化网络的训练过程,减小标签误差所带来的影响,从而有效提升了跨域模型的泛化能力。