行人搜索旨在联合解决行人检测和行人重识别两个任务,在由不同摄像头拍摄到的视频帧中对行人进行定位,然后提取有辨别性的行人表征,用于与目标人物的匹配和识别,相关技术可以应用于智能安防,无人零售、自动驾驶等领域,具有广阔的应用前景,因而受到大量关注。近几年基于深度学习的行人搜索算法取得了长足的进步,研究的重点之一是提取鲁棒的、具有辨别性的特征表示。目前特征提取的主要方式是在深层网络的特征图上学习行人的全局特征,而行人搜索是项细粒度任务,这种学习方式会导致行人特征包含的语义信息单一,且容易受到噪声干扰。本文基于单阶段的行人搜索网络架构,探索使用多粒度语义和属性学习的方式增强行人特征的表征能力,从而挖掘人物之间的差异性,提高模型的搜索性能。为了利用深度网络不同层次结构所产生的丰富的语义信息,本文构建了多粒度行人特征的行人搜索算法,为重识别任务带来更多辨别性的信息。行人检测是以Faster R-CNN为基本结构,利用生成的候选框对不同深度的特征图上的语义信息进行提取,融合后作为行人表征,提高模型特征学习的鲁棒性。另外引入焦点损失作为分类损失用于挖掘硬负样本信息,并使用kmeans聚类算法对CUHK-SYSU和PRW中的行人边界框数据进行聚类分析,设计更加符合行人形状的尺寸和比例,优化检测器中RPN的锚框参数。最后在两个基准数据集上通过大量实验验证本文方法的合理性。视觉属性在检索目标人物中起到关键作用,尤其是当行人出现遮挡时,全局特征的描述能力下降,此时具有辨别性的属性特征能够作为识别的关键因素,因此提出了属性引导的行人搜索网络。首先使用语义分割模型制作与两个基准数据集相关的属性标签,然后网络遵循先检测后识别的原则,在检测的基础上一方面学习行人的全局特征,另一方面利用属性标签对背景杂波进行抑制和学习局部特征,最后将来自不同网络层次的全局特征和局部特征进行融合,作为行人表征用于识别任务。算法同样在CUHK-SYSU和PRW两个基准数据集上进行训练和测试,大量的对比实验验证了该算法的有效性和合理性。