行人重识别是在跨监控设备下对给定行人图像进行目标检索的技术,是近期计算机视觉领域的一个关键问题,普遍应用于智能安防、人机交互、电子商务等领域。由于监控下的行人图像存在视角差异、姿势变化、物体遮挡等问题,这要求行人重识别模型能够捕捉到有效的内容来进行行人的判别。利用卷积神经网络能够提取有效的行人图像特性,但图像全局显著信息只关注到图像的整体情况,易受外界复杂环境等无关因素的干扰,如何通过局部信息增强来使网络模型重点关注到更有利于身份判别的细节是行人重识别任务中需要重点解决的难题。基于此,本文主要进行了以下改进与创新:（1）本文提出了一种阶梯型特征提取与分支注意力相结合的多粒度特征融合网络来提升行人重识别任务性能。近年来,许多研究者使用水平均匀分块的方式来进行局部特征提取,但此方法会忽略块与块之间的一些重要信息而不能充分发挥局部特征的优势。以阶梯型对特征图进行分块能够加强块与块之间的联系,同时避免边缘信息丢失,从而实现一定程度上的局部信息强化。此外,使用分支注意力给每个分支分配不同的权重能够提高网络模型对更重要分支的关注程度。在网络结构的设计上,使用多分支网络将全局特征和局部特征进行结合,实现多粒度特征的协调统一。将该方法在公开的数据集上进行实验,获得了较高的精度和准确性,证明所提出的方法能够得到更具判别性的特征。（2）本文提出了一种融合多类注意力的多尺度自适应局部注意力方法来进一步获取行人重识别图像中的局部显著信息。注意力机制是一种能够增强网络模型对图像关键信息关注程度的有效方法。以往行人重识别任务中的注意力机制方法旨在对行人整体特征进行加权强化,而所提出的多尺度自适应注意力模块对局部特征进行处理,通过自适应调整感受野尺寸来适应不同尺度图像,同时融合了通道注意力和空间注意力筛选出图像重要特征并将其用于最终识别。最后,经过与多种主流方法的比较,本文设计的网络模型有效地提高了行人重识别任务的准确率,证明了该方法的优越性能。综上所述,本文方法主要是对行人图像的局部特征进行研究,寻求合适的方法来实现局部图像信息增强,并以多粒度的形式将其作为全局特征的重要补充。最后,在三个公开的行人重识别数据集上通过实验验证了本文方法的优异效果。