近年来,在计算机视觉问题研究中,行人重识别作为一个热点被学者广泛关注。行人重识别仍然存在诸如摄像头视角变化、光线变化、行人姿势变化、行人部分图像被遮挡等问题。如何提取更具有判别力的行人信息进行行人重识别仍是目前行人重识别所面临的问题。为了解决上述问题,本文基于深度学习方法在模型与算法方面对行人重识别进行研究,提出以下模型。针对传统的行人重识别方法依赖人工构造视觉特征,容易受到其他外界因素的影响,识别精度低。深度学习模型能自主的提取特征,但随着网络层数的加深会出现梯度消失情况,残差网络能缓解梯度消失问题,但提取出的特征信息未被合理使用。行人部分图像被遮挡是影响行人重识别准确性的另一个重要因素。针对上述问题本文提出了融合随机擦除和残差注意力网络的行人重识别算法。该算法:①在残差网络的基础上,引入注意力机制模块,通过强化有用的特征和抑制作用不大的特征来提升网络的判别能力。②引入随机擦除的数据增强方法,以便降低过拟合现象,同时提高网络泛化能力,解决行人重识别中遮挡问题。③使用triplet loss对融合网络进行监督训练,实现样本在特征空间中达到更好的聚类效果,提升行人重识别的准确率。通过实验验证该算法在Market-1501数据集和DukeMTMC-reID数据集上的识别精度。针对传统的行人重识别方法提取出的行人特征信息判别能力较弱,使得模型难以取得更好的识别效果。在度量特征空间中,由于同类样本之间距离过小导致识别精度低。针对上述问题本文提出了基于注意力机制的多损失行人重识别算法。该算法:①使用孪生注意力机制网络提取特征,通过强调有用的通道特征抑制作用较小的特征来提高网络的判别能力;②引入中心损失,使用多损失训练方法,实现同类样本在特征空间更好聚集,使得异类样本更加远离。通过实验验证该算法在Market-1501数据集和DukeMTMC-reID数据集上的识别精度。