随着人类科技和社会经济的发展,人们对各类数据所包含信息的探索越来越深。监控场景是信息时代一个重要研究场景,监控场景的信息挖掘也给我们带来很多便利。行人属性识别一直以来都是计算机视觉以及模式识别的一个重要领域,识别出行人的属性特征,对行人跟踪、行人再识别有着重要的意义。传统的监控系统中,需要为感兴趣的人物对象手动得标注其属性标签,以便后续的人物检索等任务,很显然,这无法满足大数据下的监控场景的行人属性标注需求。利用计算机视觉来自动地、高效地对监控中的行人进行标注是一个明智的选择。为了实现这一目的,本文将对监控场景下的行人属性识别进行研究。本文研究了监控场景下的行人属性识别方法,并研究了监控场景中出现的行人图像分辨率低以及行人图像遮挡问题。本文的主要贡献和创新点有以下几个方面:第一、本文研究了基于传统图像底层特征的属性识别方法,在此方法上对输入行人图像的分割方式进行研究改进,不同的行人属性分布在行人图像的不同部位,分为全局属性和局部属性,根据属性性质的不同,在行人图像的不同部分提取图像的底层特征,进行属性识别,取得了不错的成果。第二、本文研究了基于ResNet网络的行人属性识别方法,分别研究了单独识别每个属性和联合识别所有属性的属性识别方法。单独识别每个属性,将每个属性的识别看作一个二分类问题,为每个属性训练模型。联合识别所有属性的属性识别方法考虑到不同属性之间的内在联系,将多个属性同时训练一个网络模型,是一个多标签问题。显然,联合训练所有属性的模型得到了更好的结果。第三、本文研究了低分辨率问题和遮挡问题对监控场景下的属性识别的影响以及解决方案。针对这两个问题,本文利用了SRCNN提高低分辨率图像的分辨率,并利用哈希算法来补全遮挡的行人图像。实验证明了本文想法的可行性和有效性。