随着社会信息化发展,越来越多大型公共场所比如商城、地铁、校园和住房小区等地方安装了大规模摄像头,形成了一个大型的实时视频监控网络。传统的视频分析采用人工查询处理视频信息需要耗费大量的人力物力资源,如何有效且快速处理监控视频成为一大难题。行人重识别作为视频监控网络中重要环节,受到越来越多的关注。现实复杂的环境中行人受到光照强度,行人姿态多变,运动遮挡等问题,导致采集的行人图像差异性较大,从而影响行人重识别的精度。通过将深度学习应用于行人重识别算法,提高行人重识别的识别精度,可以快速而有效处理监控视频信息,具有一定的现实意义。针对现有的行人重识别的数据集样本少、网络层数较深,容易在训练网络时出现网络过拟合的问题,同时因现实环境中光照变化、摄像机角度变化、遮挡等问题,导致行人重识别精度不高,提出一种基于注意力机制的行人重识别特征提取方法。首先使用随机擦除法对输入的行人图像进行数据增强;然后通过构建自上而下的注意力机制网络增强空间像素特征的显著性;最后将整个行人的显著特征进行相似性度量并排序得到行人重识别的精确度。实验表明,基于注意力机制的行人重识别在Market1501数据集Rank1达到88.53%,m AP为70.70%;在Duke MTMC-re ID数据集Rank1达到77.33%,m AP为59.47%。因此所提方法在在两大行人重识别数据集上性能都有明显提升,且该算法具有较好的鲁棒性。针对现有的行人重识别方法难以提取行人辨别性的特征,提出了一种多注意力网络与多阶段特征融合的行人重识别方法。首先将空间注意力网络和通道注意力网络融合构建多注意力残差网络;然后提取多注意力残差网络的三个阶段的行人特征,融合其特征得到行人显著特征,弥补行人信息缺失的问题;最后将得到行人特征进行相似性度量并排序得到行人重识别的精确度。实验表明,该多注意力网络和多阶段特征融合的行人重识别方法在Market1501数据集上Rank1达到92.62%,m AP为80.59%;在Duke MTMC-re ID数据集上Rank1达到86.20%,m AP为68.49%。所提方法在两大行人重识别数据集上性能都有明显提升,具有一定的应用价值。