伴随着互联网的飞速发展,由摄像头等设备组成的物联网也悄然发展,在商店、机场等一些公共场合中,监控设备都在各个角落中履行着它们的职责,合理地利用这些监控设备协助解决刑事案件已经成为一个重要的研究课题。在大多数刑侦案件中,都需要对犯罪嫌疑人的特征进行分析,由此引申出了行人属性识别这一研究内容。行人属性是可以被人直接理解的视觉语义特征,但是对于机器来说,行人属性特征与图像低层的特征的映射关系十分复杂,传统的基于低层特征分析的方法往往只能局限于行人属性中的一种,难以充分地挖掘多种属性之间的联系。本文提出了一种基于深度学习的行人属性识别方法,结合多个属性之间隐藏的联系,实现行人属性的多标签识别。本文提出了一种引入注意力机制的改进深度残差多分支分类网络。网络中提取图像特征的部分使用了基于ResNet模型的改进结构,在传统的ResNet模型的基础上,改进了残差网络分支中各层次的顺序,并对残差网络分支中输出的特征图重新按通道加权,以通道的权重反映该通道特征图对于最终分类结果的重要性。网络的分类层为多分支分类网络,每一个属性都拥有一个自己的分类器,网络的输出为多个分类器合并后的结果。本文所提出的引入注意力机制的改进深度残差多分支分类网络已在PETA数据库上进行验证,模型基于PyTorch开发模型搭建,运行环境为ubuntu 16.04。模型使用11400张图片进行训练,7600张图片作为测试样本,训练后的模型所有标签的平均识别准确率为0.844,基于样本的准确率为0.793,精确率为0.879,召回率为0.857,F1分数为0.868。以实际照片测试网络属性识别效果,照片中相同的属性得到相同的反馈,照片中不同的属性网络能够区分。