随着现代社会发展,城镇人口膨胀,城市安全综合治理压力日益剧增,行人检测,跟踪,重识别的需求越来越迫切。基于计算机视觉和深度学习技术的发展以及城镇化过程中基础设施的逐步完善,行人重识别技术逐渐成为智慧城市和智能安防建设中的核心内容。因此,越来越多的学者开始关注行人重识别技术的研究。但是,行人重识别技术在实际应用中存在模型跨域能力和泛化性能力不强,行人图像遮挡时不能很好的识别等问题,针对以上问题本文在模型的特征提取融合以及度量学习方面做出了研究与改进,主要研究内容如下:针对传统行人重识别模型泛化能力和跨域测试表现不好的问题,本文设计了注意力级联模块和基于局部特征的Part-level分支,提出了基于注意力和局部特征融合的行人重识别网络PLAN。通过注意力级联模块得到像素级精细化的空间语义特征,Part-level分支提取得到多通道局部特征,经过注意力与局部特征的融合,模型可以学习精细化和多样化的特征,从而提升模型的跨域能力和泛化性。针对度量学习中损失函数对不同样本相似度的优化计算不够灵活以及行人遮挡,从而影响行人重识别模型的自适应性和泛化性的问题。本文设计加入Batch Drop模块和Circle loss函数,提出了基于Batch Drop模块和Circle loss函数优化的BDPLAN网络。Batch Drop模块通过自适应的擦除图像特征中遮挡部分,可以让模型提取到更具鉴别力的特征。Circle loss函数通过类内和类间相似度自适应匹配学习权重,不同相似度获得不同的优化学习权重,从而可以更好的优化模型,增加模型的自适应能力。最后,在行人重识别常用公共数据集上对上述模型进行了验证,并且针对不同优化的模块做了丰富的消融实验,同时与近年来经典的行人重识别模型做了充分的比较。PLAN和BDPLAN网络在单域和跨域情况下都取得了较高的识别准确率,从而进一步证明本文设计优化的模块对行人重识别模型的泛化能力和自适应能力都有明显的有效性。