随着智能安防,智慧城市等领域的发展,行人重识别技术受到越来越多的关注。目前,大多数行人重识别方法都是利用有标签的数据集进行训练,这些方法需要大量人工标注,并且缺乏扩展能力,因而在具有域差异的其他数据集上性能会显著下降。在现实生活中,行人会在不同域的场景出现,因此研究跨域行人重识别方法具有重大价值。本文通过注意力机制和姿态估计来提升跨域行人重识别方法的性能,主要研究工作有:（1）针对跨域行人重识别中基干网络缺乏特征选择能力的问题,设计了更有效的基干网络。对卷积核注意力（Selective Kernel Networks,SKNet）进行改进,提出多尺度分支权重融合的卷积核注意力机制（Multi-branch Selective Kernel Networks,MSKNet）。MSKNet有不同尺度、不同形状的感受野分支,并且在不同感受野特征的选择阶段加入多尺度池化分支,获得更多细节信息,使注意力权重分配更加合理,然后将卷积核注意力MSKNet和自注意力（Non-local Block,NL）嵌入到Res Ne Xt50网络中,得到更精准的基干网络。基干网络中的MSKNet提升了对不同感受野特征的选择能力,Non-local模块提升了捕获长范围特征依赖的能力。通过实验结果分析,验证了本文提出的基干网络具有较好的效果。（2）针对跨域行人重识别中多变的背景干扰和遮挡问题,设计了姿态估计引导的多分支网络（Multi-branch Pose-guided Networks,MPOSENet）来使模型专注于人体区域特征。使用姿态估计得到人体姿态关键点,进而获取姿态估计引导的特征,过滤了背景和遮挡等无关特征。MPOSENet中设计了姿态估计引导的局部特征分支,全局特征和姿态估计引导的局部特征的融合特征分支,姿态估计引导的分块特征分支,通过多分支网络进行学习,既捕获了局部细节信息,也关注了全局特征中的信息,从而使模型提取的特征更全面更有效。通过多组实验,验证了MPOSENet对模型的泛化能力有提升作用。（3）为了发挥模型的实用价值,以上述提出的跨域行人重识别模型为核心,设计了一个行人重识别系统,并完成了系统的开发与测试工作。