行人重识别(Person Re-identification)是研究跨多个监控摄像头检索行人的任务。行人重识别在管理城市秩序、追查遗失人物以及侦破案件中均起着重要作用。由于行人外观受拍摄角度、光照明暗、行人姿态的变化而出现很大的变化,再加上行人图片结构相对单一,不同类别图片之间差异主要表现在服装,人体部位的细粒度信息上。因此,解决行人重识别问题的第一个关键在于从杂乱的行人重识别图片中获取具有区分性的信息。另一方面,通常会采用目标检测算法自动将行人图片中的行人抠出再作为行人重识别网络的输入。但由目标检测算法会出现不同程度的偏差,再加上不同图片中的行人姿态各异,因此,提取的不同图片的行人特征无法对齐,这便作为行人重识别的第二个关键问题,为了缓解这两个问题,我们尝试了两种不同的改进思路:1)第一种思路使用全局特征和局部特征相结合的方法类型,我们通过网络学习全局特征,横向切分全局特征得到横条局部特征,竖向切分全局特征得到竖条局部特征,再将这些特征拼接起来作为输入图片的最终表达。2)在行人重识别网络中加入注意力机制,学习特征图的权重分布。我们将两种改进思路下提出的神经网络在当前流行的三大公开数据集Market-1501、DukeMTMC-reID和CUHK03上进行测试,通过消融实验来验证我们方法在mAP、rank 1、rank 5、rank 1 0指标上的提升。并与其他现有的方法进行对比,验证我们的方法在mAP、rank 1、rank 5、rank 1 0指标上相较于近期主流方法具有一定优势。