近年来,随着国家“平安城市”等公共安全战略的发展,视频监控系统已经被广泛部署在各个公共场合。然而,即使再周全的视频安防系统仍存在死角,在监控摄像头不可及的角落,仅凭目击者的口述信息在海量数据中追踪嫌疑人仍如大海捞针。因此,能够凭借文本信息在监控视频中智能检索特定行人的技术,即文本属性行人检索技术成为了国内外的研究热点。与传统的基于图像的行人检索技术相比,文本属性行人检索仅需要基于文本的属性信息,如年龄、性别、衣着等,即可作为查询信息对监控原始信息进行检索。然而,文本属性行人检索技术受限于图像-文本的信息不平衡性、未知属性组合的干扰和模态间差异等问题,准确率距离实际部署的要求仍有较大差距。因此,本文通过对属性间的内在关系和模态间距离约束方法的研究,构建了文本和图像更具判别力的特征表达,主要研究内容和创新点包括:1.针对图像-文本的信息不平衡性和未知属性组合干扰的问题,本文提出了基于伪标签驱动图卷积网络的文本属性行人检索模型。该模型为端到端结构,主要由三部分构成:属性关系模块、跨模态注意力模块和特征提取网络。属性关系模块通过文本属性在训练样本中的共现概率构建属性关联,具体来说,由单个属性特征表示图网络中的每个节点,由滤值后的属性标签关系矩阵表示每条边。同时,融入伪标签机制对图网络中的边信息进行实时更新,在训练过程中拉近未知属性组合与已知属性组合的分布,增强了模型的鲁棒性。同时,跨模态注意力模块引入深度自注意力变换机制对两模态特征进行约束。实验表明,融入了标签信息的图卷积网络更有利于特征提取器学习到更准确的图像和文本表示,有效提升了模型判别力。2.针对图像-文本检索任务中特征表征能力不强和模态间距离约束成本高的问题,本文提出了基于特征嵌入图注意力网络的模型,利用其注意力机制对特征提取过程进行优化;同时,对跨模态注意力模块进行重新设计,简化模型复杂度,利用图注意力网络的自注意力机制在最大程度上对模态间距离进行约束,消除模态特有特征对模型精度的影响的同时对网络的参数量进行优化,在提升模型准确度的同时,极大地缩短了训练时间。并根据属性的内在特征,在原有损失基础上提出基于弧度的特征度量空间。实验表明,本方法通过简化跨模态注意力模块和引入新的度量空间,使模型获得了更强大的特征提取能力。