行人作为监控视频中的重要目标,挖掘行人的一些特征信息（如:衣着类型,年龄等）是非常必要的。行人属性识别指对图片中行人的一些特征信息进行识别,近年来被广泛应用于安防、销售等领域。相比于传统基于手工特征的方式,深度学习具有更好的特征表达能力,能适应更加复杂多变的监控场景,达到更好的效果。但是,由于希望识别的属性繁多,如何同时更好地识别多种属性仍然是一个比较棘手的问题。目前商用图像处理仍以人工看管方式为主,自动化程度低。因此,对监控场景下的行人分析方法进行研究有着很强的现实意义。本文提出了一个端到端的属性识别网络,可以更准确地识别大多数行人属性。具体地,主要研究工作如下:（1）本文提出了一种基于特征融合和Non-Local的属性识别网络FFNL-net。首先为了解决现有方法特征提取不全面的问题,本文引入特征融合思想,选取来自不同层、不同尺度和不同分辨率的特征图,实现对特征更全面的提取。其次,对待融合特征图分别施加Non-Local方法后再进行融合,以进一步挖掘行人图像各属性间的相关性。经过FFNL-net输出的特征图既有抽象的高层语义信息又保留了丰富的浅层细节特征,因此能更好地利用属性间的相关性。最后,我们在行人属性识别领域认可度最高的三大公开数据集PETA、PA-100K和RAP数据集上进行了测试,结果表明FFNL-net能有效地提升行人属性识别效果。（2）工地安全事故频发,而其安全管理目前仍然多以人工管理为主,效率低下。当前构建智慧工地的底层算法又大多基于目标检测的方式进行,不仅容易受背景干扰,也难以集成多种目标检测任务。本文创新性地将行人属性识别算法应用到工地场景下,将工人安全帽和反光衣作为属性进行识别。为了更好地获取数据集,我们针对人体检测和人体属性数据集均设计了合适的预标注方法,节省了大量的人力成本。此外,我们开发了属性识别的标注工具。识别阶段采取了人体检测结合属性识别的两阶段方式识别出工人安全帽佩戴和反光衣穿着情况。结果显示,我们的方法在现实多变的监控场景下依然能获得较好的效果,可以满足实际应用场景需求。最后,我们初步开发了视频监控识别系统。该系统能较为实时地识别工人安全帽佩戴和反光衣穿着情况,可以弥补传统方法在人力和技术上的缺陷,有利于构建事前先预防、事中监控、事后实时警告的实时智能监控系统。