近年来,随着智能监控系统以及智能图像处理技术发展,行人重识别技术在智能安防领域的嫌犯追踪、大型公共场所的智能寻人、智慧商业的无人超市及智能机器人等领域有着广泛的应用前景。由于真实场景复杂多变,行人重识别在实际应用中仍面临诸多难点,主要表现在姿势、步态、服装等行人属性多变,及光照变化、摄像视角差异、物体遮挡等环境因素干扰严重,这些差异性导致提取人体的鲁棒特征表示极为困难。本文提出一种基于局部注意力机制的多粒度行人重识别网络,实现在复杂行人场景下提取鉴别能力更强的多样性特征。首先,考虑到在现有行人重识别研究中的空间注意力方法易导致模型过拟合于服装、装饰品等可替换性强、不具备普适性的外部特征,本文提出了一种局部注意力方法,并以此为基础构建了一个完整的局部特征提取网络。该方法在不依赖额外数据标注的条件下,通过卷积网络生成一系列与人体部件相关的兴趣区域图,进而得到人体部件的局部特征表示,使网络能够充分学习细粒度的局部特征。接着,以局部注意力方法为基础,本文提出了批次注意力擦除以及注意力特征正则化机制。批次注意力擦除算法克服了现有主流卷积网络正则化方法的随机性及盲目性,在注意力选择机制的引导下使网络挖掘更具普适性的鉴别性特征。注意力特征正则化机制为每一个局部特征都构建一个类别中心,通过约束网络对关键区域的学习来增强模型的训练效果。最后,考虑到真实场景中行人的体貌特征变化较大及环境噪声干扰严重的特点,本文提出了联合粗粒度图像全局特征以及细粒度人体局部特征的多粒度模型LAG-Net。该模型兼顾了行人图像中的整体信息及难以挖掘的局部细节信息,丰富了鉴别性特征的多样性,在复杂场景下能够提取到更具鲁棒性的行人特征。本文为了验证上述方法的有效性,本文在Market-1501、Duke MTMC-re ID、CUHK03三个主流公开数据集上进行实验。实验结果证明,本文所提出方法与近年的主流方法相比,其平均准确度及首位命中率都有较大提升,尤其在最具有挑战性的CUHK03数据集上,本文方法的平均准确率相比现有最好方法提升了5.3%。