计算机视觉作为人工智能研究中的一个重要的分支领域,其重要性不言自明,基于人类对自身相关研究的重视,视觉任务中关于人的图像的研究无疑是举足轻重的。人脸识别作为视觉任务研究中最早的子课题之一,其研究成果已经达到了很高的水平,但是它在现实的应用中往往存在很大的局限,仅仅靠人脸来识别一个完整的人并不现实,其中存在着许多难点（如拍摄的人脸图像模糊,人脸存在大范围遮挡等）。在这样的情况下,行人重识别作为一项重要的补充技术可以很好的弥补人脸识别在这种现实应用中的不足。行人重识别技术对于智能安防、智慧商场等的建设都具有不可替代的作用,作为视觉任务的一大研究热点,越来越多的专家学者加入到对其的关注与研究中来。近年来,深度学习发展迅猛,基于其展开的对行人重识别任务的研究取得了优秀的结果。相比于传统方法费时费力地通过手工设计特征,深度学习方法则可以依托更庞大的数据量来挖掘行人信息并提取特征。通过构建的深度学习网络提取获得的行人特征通常具有很好的识别结果,这也使得如今基于深度学习的行人重识别方法基本上取代了传统的方法。本文主要以多粒度网络为出发点,通过引入提出的相应模块改进网络,以此提取更具鉴别性和鲁棒性的行人特征。具体的研究工作包括如下三个方面:（1）考虑到目前行人重识别任务中主流使用的局部特征硬划分方法对特征图进行划分时会使得到的局部特征产生不对齐的问题,本文提出了一种用于行人重识别的局部特征对齐划分方法,通过网络学习到行人的中心位置,以此为基点沿Y轴向图像的两边进行划分,所得行人局部特征可以有效对齐。此外,针对局部特征三元组损失优化差异的问题,提出了局部连接特征,对其进行优化可以使所有局部特征的度量结果一致,有助于在识别阶段汇聚相同身份的行人的最终特征。（2）从深度网络提取特征的角度来看,浅层特征往往会包含更多的细节信息,而深层特征提取的高级语义更加抽象。鉴于目前在基于深度学习的方法研究下,大多研究都忽略了浅层特征的效果,为此文中提出了一种特征融合模块可以对两个不同的层次的特征进行有效融合,基于该模块文中提出的用于行人重识别的多层特征融合网络,可以使得最终用于识别行人的特征包含不同层次特征的信息。（3）鉴于注意力机制在深度学习任务的研究中取得了很好的效果,为了提升行人重识别的性能,本文从注意力机制的角度考虑,通过联合多种注意力机制,并提取不同粒度的特征,以此提出了一种用于行人重识别的多类型特征网络。文中首先提出了改进型的卷积块注意模型,之后使用其结合自注意力模块在网络中组成联合注意模块用以提取不同关注域的行人全局特征,最后连接不同关注域的全局特征以及不同粒度的局部特征用以共同识别行人。上述的研究工作在行人重识别任务的三个常用数据集CUHK03、Market-1501、Duke MTMC-re ID上进行了相关的实验分析与对比验证,结果证明了本文方法的有效性。