行人再识别旨在从不同摄像头检索特定行人是否曾经出现,被广泛认为是一个图像检索的子问题。行人再识别技术面临着行人图像的分辨率变化大、拍摄角度不统一、光照条件差、环境变化大、行人姿态不断变化以及存在遮挡等严峻的挑战,是一个具有挑战性的课题。无监督的行人再识别技术不使用目标域图像的标注信息,其中的域泛化行人再识别能够在源数据集训练并直接在目标数据集进行测试,具有更广泛的实际应用意义。本文针对现有域泛化模型往往由于专注解决光照和色彩变化问题而忽略对细节信息的有效利用,导致识别率较低的问题,提出了一种多尺度特征学习的域泛化行人再识别模型。本文主要研究内容和创新点如下:（1）域泛化行人再识别方法中存在忽略对细节特征提取利用的问题,而细节特征可以有效帮助模型识别光照及姿态相似的困难样本。为了提取出包含更细节信息的特征来提升模型的性能,本文首先利用卷积层叠加的方式构建多尺度特征提取模块（Multi-scale Feature Extract Module,MFEM）,提取出不同视野域的多尺度特征,然后设计特征融合注意力模块（Feature Fusion Attention Module,FFAM）对多尺度特征进行动态融合,在模型训练过程中动态的分配权重,使得模型关注到对最终识别更有帮助的区域,使模型保证在对图像整体信息学习的同时也学习到图像的细节信息。（2）域泛化行人再识别问题面临着视角,姿态差异等巨大挑战,单一层次的特征不能很好的捕捉行人图像之间的细微差别,很难提供足够丰富的辨别信息。而图像的多层次信息可以挖掘行人图像不同部分的高维联系,增强特征的丰富性和判别力。为了充分利用特征的层次信息,本文设计了多层次注意力模块（Multi-level Attention Module,MAM）提取特征的多层次信息,进一步挖掘行人图像中不同部分更复杂的细微差别,提取到更有效的行人图像特征表达。（3）在域泛化问题上,因为模型没有任何目标数据集的信息可以学习,所以泛化能力受到了更大的考验。为了减少从源数据集上学习的特征的风格特殊性,有效提升模型的泛化能力,本文设计了风格正则化模块（Style Normalization Module,SNM）来降低不同数据集图像明暗变化对模型泛化能力的影响,首先对特征在单通道单样本数据上计算归一化统计量,然后增加特征的非线性特征,增强模型的鲁棒性和泛化能力。在Market-1501和Duke MTMC-reid数据集上进行消融实验和对比实验,实验证明了本文各模块的有效性,且与主流方法相比,本文方法具有一定的先进性和竞争力。