近些年由于深度学习的发展,行人检索领域也取得了较多的进步。在诸多领域有着不错的应用,例如安防安全、大型公共场所的智能寻人系统、无人超市、家庭智能机器人等等。但不同的场景就意味着被摄像头检测到的行人图像有着非常严重的差异,行人图像存在遮挡、背景不同等问题,如何减少各种影响因素带来的问题,从而提高行人检索的识别准确率,是一个需要解决的问题。为了避免行人图像存在的视觉差异所带来的影响,提高行人检索的准确率,本文主要进行了如下几个工作:（1）为了解决局部部件的分割方式问题,采用提取部件特征的方式,提出了一种对部件进行精细分割的行人检索方法。通过精细化分割部件,提升了部件内部的一致性,降低了行人图像硬分割带来的影响,提高检索的精度。（2）采用多分支结构的网络,融合部件特征与全局特征,提高模型的鲁棒性和准确率。（3）提出了一种显著特征权值学习的自监督方法,使得模型具备辨别特征是否显著的能力。在提取特征时专注于显著的特征,将不显著的特征权值减小,对显著的部件特征增加可信度。本文方法在两个大型数据集Market-1501和Dukem MTMC-re ID上进行了实验,实验结果表明,行人检索的准确率优于原本的部件分割方法^[7],使用精细化的分割方法后,Rank-1分别达到了93.8%和82.5%,m AP达到了79.2%和62.9%。后采用显著特征权值学习方法后,Rank-1分别达到了92.3%和80.3%,m AP达到了79.2%和62.9%。实验结果表明,本文提出的两种方法均使得行人检索的准确率得到提高。