行人重识别是一种在多个摄像头的环境下,对于目标行人进行快速识别与匹配的技术。近年来,随着街道、商场等地监控摄像机数量的不断增加,行人重识别技术得到了广泛应用,在刑侦、智能安防和公共安全保障等方面发挥着重要作用。但是,在实际的应用中,由于行人姿态多变、目标人物易被遮挡,以及拍摄图像模糊等问题给行人重识别的研究带来了诸多挑战。因此,如何从图像中准确、有效地提取目标行人特征信息是该问题研究的重点和难点。传统的行人重识别方法主要通过阴影、纹理等特征线索来判断行人的类别信息,虽然实现简便,但是在特征检测和匹配过程中受外部环境限制较大,不具有良好的普适性。而基于深度学习的行人重识别方法由于充分利用了图像中的物体结构和行人特征等信息,因而具有鲁棒的特征表示以及较好的泛化能力,并且所提取的特征也更加准确和鲁棒。基于此,本文立足于深度学习的方法,进行了如下研究:（1）提出一种基于多尺度特征融合的行人重识别网络。针对行人姿态和位置变化导致行人特征提取困难的问题,本文通过网络不同阶段的多尺度的特征融合策略,有效保留了更多的高级语义信息,从而帮助网络提取更完整的行人特征表示;然后从水平和竖直方向同时聚合远距离的上下文语义信息,减少了周围环境的干扰,改善了网络对行人的判别能力。（2）提出一种基于注意力感知的行人重识别网络。为了更有效地利用网络中的全局信息,我们通过引入通道维度的注意力机制,充分考虑了特征通道之间的联系,从而提升了网络对全局信息的表示,改善模型的场景解析能力。考虑到本文所采用的空洞卷积在获得较大感受野的同时可能会降低特征信息的连续性,本文将多级空洞卷积结构分别与完整的特征图像进行融合,提高了特征信息的连续性,进一步改善模型性能。并且,我们在多个公开数据集上经过大量实验验证本文方法,包括Market-1501,Duke MTMC-re ID和CUHK03等三个数据集,实验结果显示,平均精度值（m AP）分别达到89.1%,81.5%和64.4%。（3）基于本文所提出的行人重识别算法,设计并实现了行人重识别系统,将行人重识别任务集成在人机交互界面中。通过输入待查询的目标行人,可以直观地显示行人重识别的结果,并且可以查看全部的查询结果。