行人重识别是判断视频或图库中是否存在特定行人的技术。由于在监控和安全方面的广泛应用,例如公共安全的视频监控和行人检索、人机交互以及生物识别中的访问控制,使得行人重识别受到学术界的广泛关注。然而真实场景中,行人重识别存在相似着装、光照强度、姿态、视角变化以及遮挡等挑战,增加了行人重识别任务的难度。行人重识别主要任务在于如何从行人图像中提取具有辨识性且丰富的行人图像特征,对行人特征进行度量,进而判断是否为同一个行人。为提取鲁棒且丰富的特征,提高算法性能,本文主要研究内容如下:针对模型可能出现过拟合或模型收敛慢等问题,引入5种训练技巧训练行人重识别模型。利用基准网络ResNet50-IBN-a分析不同训练技巧对性能的影响,并用合适的训练技巧优化基准网络。针对背景中无用信息的干扰,以及模型在尺度变化、遮挡、模糊等场景下无区别特征导致行人重识别网络中的性能问题,在优化基准网络基础上,提出一种基于双重注意力机制的行人重识别算法CS-Attention（Channel and Spatial Attention）。该模型可以整合身体区域关键的属性信息到一个统一的学习网络框架中,获取更多具有辨别性的特征,避免由于行人图像背景等干扰影响网络过度关注无用信息的问题。CS-Attention由通道域注意力机制（Channel Attention）和空间域注意力机制（Spatial Attention）组成,在基本不增加计算量的情况下,从通道和空间两方面限制网络,使网络更加关注鲁棒的特征,弱化无用的干扰特征,提高模型性能。针对高级特征提取利用不足问题,设计多分支混合池策略MBP（Multi Branch Pooling）。由于高级特征对识别行人具有关键作用,为获取丰富的高级特征,提高行人识别的性能,将MBP策略引入模型中,构成CS-MBP模型。MBP策略是通过平均池化和最大池化手段保留更多高级特征,将其进行融合训练整个网络,增加了特征的多样性。在模型的训练过程中,使用难样本采样三元组损失（Tri Hard Loss）和交叉熵损失函数（ID Loss）共同约束模型的学习参数。Tri Hard Loss使特征空间中的原始位置不会因损失函数而改变,确保该层的优化不会对深层的网络层产生负面影响,有效地优化池化层的输出,同时加快网络的收敛。ID损失有助于了解不同场景中的代表性特征,表达相同个体的共同特征。实验结果表明,本文使用的训练技巧可以从不同方面对基准模型进行优化。在优化的基准网络基础上引入CS-Attention,有效改善无关信息干扰,提取更加有区分性的特征。最后联合提出的多分支池化策略MBP构造CS-MBP模型,实现对高级特征最大化的利用。本文在行人重识别主流数据集上进行大量实验,在Market1501数据集上,优化后的基准模型、引入CS-Attention模型以及CS-MBP模型的Rank-1分别为:94.8%、95.8%和96.2%,m AP分别为:86%、87.6%和88.3%,最终的CS-MBP较优化后的基准模型在两个指标上分别提升1.4%和2.3%。Duke MTMC-reID数据集上,以上三个模型的Rank-1分别为:86.8%、89.1%和89.6%,m AP分别为:76.1%、78.8%和79.6%,最终的CS-MBP较优化后的基准模型在两个指标上分别提升2.8%和3.5%。证明了本文所提出算法的有效性,有利于行人重识别领域的发展。