随着安防行业的发展,视频监控探头被广泛用于日常生活,日益增长的视频数据和日新月异的应用场景给计算机视觉领域提出了新的算法需求。行人再识别是安防监控领域的一项重要技术,其目的在于从视野无交叉的视频监控中搜索行人。特征表示是行人再识别任务中一个具有挑战性的环节,主要通过提取分辨力强而稳健的图像特征来提升行人再识别的准确率。本文主要研究了基于深度神经网络的行人再识别特征提取算法,提出一种适用于行人再识别任务的全局特征增强模型。该模型分别从特征图谱的空间维度和通道维度出发对深度神经网络所提取的全局特征进行增强,通过提取行人图像分辨力强、稳定性高的特征提升识别准确率。在通道维度上,本文提出通道卷积深度神经网络作为全局特征增强模型的骨干网络。该网络采用通道卷积操作对全局特征进行像素级通道相关性建模,增强了全局特征的识别能力。在空间维度上,本文提出一种基于长短时记忆网络的单级-多注意力模块。该模块采用长短时记忆网络引导空间注意力,实现对特征图的多重点关注。作为一种局部特征提取器,该模块可以对骨干网络提取的全局特征进行图像细节方面的补充,提升了全局特征的分辨力和稳健性。为了验证全局特征增强模型的有效性,本文在三个公开的行人再识别数据集上测试了模型的识别准确率,并与一些前沿的行人再识别算法进行了比较。实验表明,全局特征增强模型相比其他特征提取算法能提取出更有分辨力的行人图像特征。此外,本文设计了多个对比实验和消融实验,结果表明,本文提出的空间和通道维度的增强算法均能提升识别准确率。