近年来,视频监控在构建信息化、智能化的城镇建设中起着至关重要的作用,行人重识别作为视频监控领域的关键技术,受到工业界与学术界的越来越多的关注。现有的行人重识别的工作大部分聚焦于监督学习,它们假设可以为每一对相机视图提供大量手动标记的匹配对,来学习该相机相对优化的特征表示或匹配度量函数。然而,这种规模的手动标签不仅在现实世界中收集起来成本非常昂贵,而且在许多情况下也是不可行,例如可能没有足够的训练人员在每对相机视图中重新出现。这限制了模型在真实应用场景中的可扩展性和可用性。因此,本文提出了一个多维注意力网络和部件关注网络联合学习的无监督行人重识别方法。本文的主要研究内容如下:1.阐述行人重识别任务问题的起源,课题的研究背景及意义。简要介绍了行人重识别的基本流程与相关理论基础,整理与总结了行人重识别常用研究方法,分别介绍了监督学习,无监督学习和基于注意力机制的行人重识别方法,介绍行人重识别常用的数据集与性能评价指标。2.由于相机视角差异、行人姿态变换、遮挡问题和背景杂波的影响,导致相同行人背景迥异,为了解决这个问题,本文提出了一个多维注意力网络（MultiDimensional Attention,MDA）,该网络可以对注意机制中复杂的高阶统计信息进行建模和利用,从而捕捉到行人之间的细微差异,产生有区别的注意建议,从而解决相机视角、背景杂波等带来的影响。3.虽然一些基于局部特征的行人重识别模型被提出来并且超过了全局特征学习方法。但是在未标记的数据集上提取易区分的局部特征仍然是行人重识别中尚未解决的问题。基于此,本文提出了一个部件关注网络（Part Focus Network,PFN）,该网络通过设计不同的分支使得每个分支关注不同的部件,然后再进行部件特征融合得到最终的行人特征表示。为了有效的指导PFN在无标签数据集上学习有区分的局部特征,本文提出了一个基于部件的损失函数,同时为了进一步挖掘图像间的潜在信息,提出了基于图像级的损失函数。本文在数据集Market-1501和Duke MTMC-re ID进行模型评估,实验结果表明,所提出的基于多维注意力的无监督行人重识别算法能够提高网络模型在未知数据域的泛化能力,显著提升模型在无监督跨域行人重识别的准确度。