行人重识别（Person Re-Identification,Re-ID）是利用视觉信息判断图像或者视频中是否存在特定行人的技术,该技术无需监控网络的结构信息,即可实现跨摄像头设备下的行人身份关联。作为智能视觉监控系统的关键技术之一,行人重识别在刑侦调查、安防安保中发挥着极其重要的作用。受到拍摄场景、拍摄视角、行人姿态、行人衣着等因素的影响,同一行人的外观存在较大的差异性,而不同行人的外观可能存在一定的相似性,这极大的影响了利用视觉信息进行行人重识别的准确度。本文针对这个问题进行深入的研究,从特征构建和样本约束两个角度提出优化的行人重识别方法。具体而言,本文完成了以下工作:（1）本文提出一种基于部件特征融合的行人重识别方法。该方法采用全局与局部特征提取相结合的双支路网络结构作为模型的整体架构。在局部特征提取分支网络中,通过显式的语义分割方法定位行人的各个身体部件,精准获取细节丰富的部件特征,提升行人特征的可辨识度和鲁棒性。其次,本文提出构建基于注意力机制的特征权重分配模块,突出区分度高的行人部件特征,进一步提升模型的表征能力。（2）本文提出一种基于双重注意力机制的特征提取网络。在采用双支路网络结构的基础上,提出在局部特征提取网络的中间层构建两种注意力模块（通道注意力和空间注意力）,从两个维度上自适应的获取区分度高的局部特征,降低无关信息的干扰;最后将两种注意力特征相融合以进一步提升行人特征的判别能力。（3）本文提出一种基于多任务学习的联合优化框架。从增强样本约束的角度,提出将匹配和分类两种学习任务集成到一个统一的框架,并采用两种损失函数进行联合优化,增强模型对“类内”和“类间”样本变化的约束,有效提升模型的性能。（4）本文在两个大规模行人重识别公开数据集Market1501和DukeMTMC-reID上进行了实验,实验结果验证了本文所设计的各个模块及整个网络模型的有效性。