图像检索是计算机视觉领域的一项重要研究方向。行人再识别（Person Re-identification,Re ID）是图像检索的子领域,是利用计算机视觉技术判断不同摄像头视角下是否存在特定行人的技术。行人再识别在刑侦、安防、失踪人员查找等领域具有较大的应用前景,逐渐成为计算机视觉领域的研究热点。本文对行人再识别中的深度度量损失函数进行了深入研究,设计了统一样本对损失与分类损失的新的损失函数,同时提出了基于注意力机制的行人再识别网络。本文主要贡献如下:（1）针对多任务损失函数梯度方向不一致问题,推导出统一分类损失函数与样本对损失函数的深度度量损失函数形式。新损失函数形式能有效解决难例挖掘问题、梯度爆炸问题以及正负样本对权重分配问题。实验表明,损失函数形式在一定程度上提高行人再识别模型性能。（2）为统一余弦距离和欧式距离,设计了一种同时优化向量距离与夹角的极坐标映射距离（polar project distance）;为减少手动搜索超参数所带来的时间损耗,构建了一种自动学习损失函数超参数的阈值自适应模块;结合极坐标映射距离、阈值自适应模块以及深度度量损失的统一形式,提出了自适应极映射损失函数（adaptive polar project loss）。实验表明,相比现有的损失函数,该方法在行人再识别任务中具有更好的性能。（3）针对常用的主干网络通常仅关注到全局粗粒度特征而忽略局部细粒度特征的问题,构建了基于注意力机制（attention mechanism）的行人再识别网络。针对行人图像所属相机域不同造成的差异问题,在网络中嵌入了增加模型泛化性与鲁棒性的实例批量正则化（instance batch normalization,IBN）模块。实验结果表明,相比于传统的主干网络,构建的模型达到了良好的效果。