随着社会的不断发展，大量的视频监控被用于维护社会的公共安全。然而，视频监控虽然为公安部门提供了很多珍贵的线索，但是通过人工的方式在视频监控中寻找线索需要耗费大量的时间和人力。因此，基于自然语言描述的跨模态行人检索作为缓解这一问题的新兴技术，旨在根据自由形式的自然语言描述的询问，在不同的视频监控中找寻符合描述的目标行人。该任务是一项极具挑战性的细粒度跨模态检索任务。
　　首先，考虑到自然语言描述信息的多样性和冗余性，提出了一种基于注意力机制的跨模态融合行人检索算法，该算法主要针对文本描述的信息增强构建了一种融合注意力网络框架(Description-Strengthened and Fusion-Attention Network)，简称DSFA-Net。DSFA-Net旨在通过注意力机制和跨模态特征融合对文本描述信息进行增强，从而使具有判别性的单词更具有视觉敏感性，在重要的单词和对应的图像内容之间建立起紧密的联系。
　　其次，提出了一种基于注意力机制约束的多模态对齐行人检索算法。该算法通过设计一种注意力机制约束模型对行人身份进行分类，从而指导图文映射到一个合理的公共空间。另外，该算法通过图文模态生成融合模态从而实现多模态对齐，并使用全新的交叉排序损失函数对三种模态的距离进行度量，使公共空间中不同的图文匹配对之间具有可区分的间隔距离。我们称由上述方法构建的网络框架为多模态对齐和注意力网络结构(Multi-modal Alignment and Attention Network)，简称MAA-Net。
　　上述两种方法均在主流的公开数据集CUHK-PEDES上进行了大量的实验，并且验证了两种方法的有效性。