近年来,社会安全建设成为人们最为关注的热点话题,安防摄像头在公共区域的大量普及。面对海量的监控数据,已经很难通过人工方式来获取、分析、整理所需要的信息。行人重识别是一种在跨摄像头中进行指定行人检索的技术,在视频内容检索、视频监控以及智能安防等领域受关注程度越来越高。但是在实际应用场景中,背景干扰、任意的行人姿态和无法控制的摄像机角度等都会给行人重识别研究带来较大的阻碍。因此,在行人重识别任务中最重要且具有挑战性的工作是如何从行人图片中准确提取具有高度辨别性能的行人特征。同时,深度学习的飞速发展为计算机视觉提供了高效的研究途径,相比以前手工设计特征,通过深度卷积神经网络提取的特征具有更好的鲁棒性。因此,应用深度学习解决行人重识别问题是可行的。本文基于深度卷积网络,提出了两个行人重识别网络模型,有效的提升了行人重识别性能,主要研究内容如下:(1)针对难以提取有辨别力的行人特征问题,本文提出了一种多分区注意力网络(multi-division attention Network,MDA)。该网络通过设计不同分支同时学习全局特征和局部特征,再进行特征融合得到最终的行人特征表示。其中,行人局部特征的提取采用的是水平分割的方法,且在局部分支中嵌入注意力网络以增强局部特征。注意力网络由空间注意力网络和通道注意力网络组成,能有效的互补学习感兴趣的行人特征信息,提高行人重识别网络的性能。(2)针对不同姿态行人难以提取行人局部特征问题,本文提出了一种姿态注意力网络(Pose-Attention Network,PAN)。该网络在提取局部特征时与直接水平分割不同,通过设计局部划分子网络,进行定位行人骨架关键点,进而获得行人局部区域。为更加准确的划分局部区域,局部划分子网络根据身体固有属性,将局部区域分为硬性身体局部和柔性身体局部,这样能够在仅有少量先验信息的情况下很好地提取行人图片的局部特征。同时,加入注意力机制,旨在发现行人身体不同部位的显著性区域,提取更具有识别能力的行人特征。