行人重识别（Person Re-identification）是对非重叠视域下的多个摄像头拍摄到的行人进行智能匹配,判断是否与目标属于同一行人。该技术可实现视频监控分析智能化,能够有效解决日益增长的海量监控数据与高成本、低效率人工监察模式之间的矛盾,成为了国内外研究的热点。然而在实际应用中,监控获取的行人图像普遍存在分辨率低、遮挡、姿态多变、尺度不一等问题,导致行人重识别模型在行人特征提取方面面临着挑战。为提升模型特征提取能力、提高重识别精度,本文提出了基于注意力特征增强和多粒度特征提取的行人重识别模型,并设计开发基于论文模型的行人重识别系统。具体而言,本文主要研究内容如下:（1）构建基于行人对齐的多粒度行人重识别模型。在行人重识别任务中,全局特征缺乏细粒度信息,无法很好地区分相似行人之间的差异,而单一使用局部特征又缺乏对行人整体的特征描述。针对此问题,本文使用多粒度网络对行人特征进行提取,并在此基础上引入空间变换网络对图像中的行人进行对齐。在Loss设计上,引入权重参数来平衡分类损失和度量损失在总损失中的占比,对网络产生更强的约束,提升模型性能。（2）提出基于注意力机制的全局特征和局部特征增强方法。为增强模型的特征提取能力,本文分别提出了适用于全局特征和局部特征的注意力特征增强方法,并将其融入模型设计中。全局特征注意力模块负责在通道层面上对关键信息进行加权增强,并在高层卷积中对响应度低的特征通道进行加权丢弃,进一步提升了模型泛化能力。局部特征注意力模块负责对模型划分的行人各部位特征进行重要性评估,获得注意力权重,增强关键部位特征。（3）设计开发行人重识别原型系统。系统后端功能主要由行人检测和行人重识别两部分组成。行人检测部分采用目前比较高效的目标检测模型YOLOv3,行人重识别部分采用课题设计的模型对行人进行特征提取,并对目标特征与候选行人特征进行相似度计算,相似度超过设定阈值则为查找成功。后端模型的构建和训练均利用主流深度学习框架Py Torch实现,系统前端以.Net为平台,利用C#语言编写设计。