在计算机视觉中,行人重识别是一个具有挑战性的任务,因为其涉及到行人外观、行人姿态、背景光线以及相机视域等方面的变化。因此,如何提取具有可分辨性的特征进行行人匹配是当前行人重识别需要重点关注的问题。同时随着深度学习的快速发展,卷积神经网络的优势为行人重识别问题的解决提供了很好的技术基础,通过网络模型自动提取的行人特征可以有效地提高行人重识别的效率和准确率。本文基于深度学习方法对行人重识别进行了模型及算法的研究,针对两个不同的关注点提出了两个模型,具体内容如下:针对传统的行人重识别方法直接提取全局特征,难以获得较好的行人区分度的问题,本文提出一种基于注意力机制的多任务优化学习算法模型。该模型由一个含有注意力机制的孪生网络构成,通过一个新的多任务损失函数进行参数调整。注意力机制通过强调有用的通道特征抑制作用较小的特征来提高网络的辨别能力;多任务损失函数的目的是在特征空间中缩小同一个体的距离,同时增大不同个体之间的距离。通过在Market1501和CUHK03数据集上与其他传统和深度学习算法的比较,进一步证明了本模型在行人重识别任务上的有效性。针对全局特征无法反映行人部位的细节,难以有效提高行人重识别准确率的情况,提出了一种多特征融合的行人表达方法。该方法不依赖于额外的骨架关键点或者姿态估计模型,通过一个特征划分模型生成全局特征和部位特征,并保持不同图片行人部位的内容一致性;同时构建一个自适应评分网络对部位特征的重要性进行评估,将全局特征和部位特征进行融合作为最终的行人特征。该方法在Market1501,CUHK03和DukeMTMC-reID三个广泛使用的数据集上进行对比实验,结果证明该方法优于现有的大多数行人重识别算法。