行人属性通常是指一些可以被观察到的行人外部特征,如性别、年龄、服饰类型、携带物品等。行人属性识别任务即对于给定的行人图像,预测其存在的语义属性。行人图像在获取过程中,常因成像设备和外部环境等因素的影响,存在分辨率低、光照明暗变化、视角变化、姿态各异造成属性严重形变以及遮挡等问题,导致图像质量下降,对后续处理和相关应用(目标识别、行人重识别等)产生影响。早期的行人属性识别工作一般基于手工设计的特征展开,由于卷积神经网络在图像相关任务上的突出表现,当今的主流方法为基于深度学习的方法,一张行人图像普遍具有多个属性,其构成的标签空间十分错综复杂,且不同属性处于不同的语义特征层次,拥有不同大小的规模,这使得在使用基于深度学习的方法进行属性识别任务时,经过卷积、池化等操作后,部分细粒度属性特征被忽略,标签之间的依赖关系也无法充分利用起来。针对上述问题,本文开展了如下工作:1)对行人属性识别任务进行现状分析,介绍了深度学习技术,基于多标签的图像分类以及图卷积网络的基础知识;2)提出了一种基于图卷积模块和多尺度网络的行人属性识别算法,该方法利用一个多尺度属性感知模块提取多个尺度的特征,将其作为图卷积模块的节点输入,使用图卷积对行人属性标签之间的依赖关系进行建模;3)提出了一种基于图推理的行人属性识别算法,该方法直接在CNN提取的特征图上进行图卷积操作,并使用了self-attention的机制构建了图的邻接矩阵,无需使用其他先验信息;4)在RAP和PETA两个广泛使用的数据集上进行了实验,验证了提出算法的有效性。