行人重识别作为智能视频监控领域中一项关键性技术,旨在从非重叠视角下的监控摄像头采集的图像数据中正确识别出属于同一行人的图像。近年来,深度学习的发展给行人重识别的研究提供了有力的技术基础,其中基于局部特征的行人重识别方法能够有效提升行人重识别准确率,但是大多忽略了行人局部特征之间潜在的关系,由于受到复杂背景噪声和行人姿态变化的影响,以及行人图像间存在相似行人外观或局部遮挡等情况,给行人重识别的研究带来了巨大的挑战。针对以上问题,本文主要从行人的全局关系角度出发,利用基础的卷积神经网络作为骨干网络,充分结合行人丰富的位姿信息,并融入行人固有的骨骼结构信息以及行人图像的细粒度信息,从而有效提升行人重识别算法的准确率,本文主要贡献有以下两个方面:（1）提出了一种基于边缘分数嵌入的图卷积网络行人重识别模型（Edge-ScoreEmbedding Graph Convolutional Network,ESE-GCN）。考虑到现有基于局部特征的方法忽略了行人局部特征之间的潜在关系,并且图像间存在有相似行人外观的情况,本文提出的ESE-GCN通过提取行人丰富的位姿信息,并与行人特有的结构关系相结合,构建人体关节骨骼拓扑结构图。同时充分挖掘行人固有的骨骼结构信息（如行人关节之间的骨骼长度）,并通过构建的边缘分数预测器学习得到关于人体拓扑结构图的邻接矩阵。最后将提取的行人关键点局部特征和邻接矩阵作为输入,利用图卷积网络有效整合行人关节骨骼结构中的关联关系,提取更有鲁棒性的行人特征,从而有效提升模型的识别准确率。在公开的Market-1501数据集上,Rank-1和m AP准确率分别达到了96.3%和87.0%,比现有的主流方法平均提升了7.8%和12.9%。（2）提出了一种基于局部特征感知的图卷积网络行人重识别模型ESE-TGCN。ESE-GCN使用卷积神经网络提取的深层行人特征会失去原始图像中的一些细节信息,而这些细节信息也是鉴别不同行人外观相似时的重要依据。为此,在ESE-GCN的基础上加入Transformer学习分支,以提取行人更有辨别力的特征表示。在Transformer学习分支中,构建行人细粒度语义化的局部特征作为输入,使用级联Transformer编码器模型学习行人语义化局部特征序列之间的全局依赖关系,从而驱动模型关注行人不同的局部区域,进一步提升模型的识别准确率。在Market-1501数据集上,Rank-1和m AP准确率分别达到了97.3%和87.8%,比现有的主流方法分别平均提升了8.8%和13.7%。