随着人工智能的日益发展,深度学习在行人再识别领域发挥着重要作用,其中利用卷积神经网络提取图像特征已经成为主流方法。大部分的行人再识别公共数据集样本较少,为深度卷积神经网络的训练带来困难,网络易陷入过拟合情况,影响最终的识别精度。另一方面,行人属性识别也逐渐成为提高行人再识别精度的重要依赖信息。针对上述问题,本文专为行人再识别设计一种深层的卷积神经网络模型,模型中包含多个特殊的多层卷积结构,该结构将卷积层的输出与输入在通道维度上连接之后馈送给下一层卷积层,实现特征的再次利用,增强整个网络的信息流动,从而抑制深度神经网络的过拟合现象,使得提取到的特征更具判别力。网络模型采用多损失函数组合的方式进行参数更新,达到增大类间距离,减小类内距离的目的,从而更好的区分行人类别。其次,本文将行人属性识别问题转化为时序特征提取问题,基于长短期记忆网络和注意力机制设计一种行人属性识别网络,用于学习和识别行人的身份层面属性,在卷积神经网络识别结果的基础上,结合属性识别结果提出基于属性辅助的重排序算法,进一步提高行人再识别精度。最后,本文设计一个基于图像数据库的行人再识别系统,以验证本文方法的实用性。在三个行人再识别公共数据集上实验结果表明,本文设计的深度神经网络模型在一定程度上改善了训练样本较少带来的过拟合现象,同时获得较高的行人再识别精度。实验结果同样验证了行人属性识别和基于行人属性辅助的重排序算法对提高行人再识别精度的有效性。