行人重识别作为智能监控系统中的关键环节,是计算机视觉领域中的热门研究课题。指定一个被查询的行人的图像,行人重识别的目的是从跨摄像头采集的视频或图像集中检索该行人。与人脸识别不同,行人重识别在无清晰正面照片的情况下也能够完成对行人的检索和追踪,因此其应用范围更加广泛。在刑侦追踪、智能寻人系统、智能安防系统和流行病学调查等领域,行人重识别都有着广泛的应用,具有极高的研究意义。随着深度学习的不断发展,其逐渐融入到行人重识别的任务中,使行人重识别模型的判别精度得到大幅提升。然而,尽管基于深度学习的方法在行人重识别的任务中得到了有效的应用,但由于计算消耗较大、模型结构复杂,以及行人重识别任务中采集到的样本面临着严重的遮挡、监控摄像机角度的局限和复杂的背景环境等现实性问题,行人重识别模型投入现实应用仍有一定的困难。以深度学习为依托,本文利用注意力机制和Transformer模型,提出了一种基于多尺度特征学习的行人重识别方法。针对注意力矩阵的计算带来较大的显存消耗和计算冗余、自注意力参数不共享以及特征搜索空间效率低下的问题,提出了一种基于线性记忆注意力和分组多尺度特征学习的行人重识别方法。该方法主要由一种基于线性记忆的全局注意力机制和一种基于分组的多尺度特征学习模块组成。其中,线性记忆注意力模块通过引入外部记忆单元实现了参数共享。同时,注意力矩阵由输入序列与外部记忆单元的计算得到,有效地降低了计算复杂度。考虑到现实场景中,不同的行人往往共享同样的特征,基于分组的多尺度特征学习模块将拥有共享特征的样本视为一种分组,有效地提高了特征搜索的效率。针对深层网络往往会忽视对浅层基础信息的学习、Transformer无法学习样本间关系以及对注意力机制学习的有效性缺乏约束的问题,提出了一种基于反事实注意力学习和Swin IR Transformer的行人重识别方法。该方法主要由注意力模块、反事实注意力学习机制和Swin IR Transformer模块组成。其中,反事实注意力学习机制与注意力模块结合使用,促使注意力模块进行更有效的学习。通过一种移位窗口注意力机制,Swin IR Transformer模块实现了对样本间关系的学习。实验证明,在数据集Prai-1581、Market1501和Duke-MTMC的基础上,本文提出的方法取得了良好的表现,其对原方法的m AP和Rank-1均有一定的提高。该论文共有图28幅,表13个,参考文献95篇。