行人再识别是目前计算机视觉热门的研究方向之一,可广泛应用于智能视频监控、智能安防等领域,因此受到了越来越多人的关注。具体指在无重叠视域的摄像头场景下,对于给定的某行人图片,从大量的数据集中检索出具有相同身份的行人图片。背景杂乱、数据集规模缺乏以及遮挡等问题是影响行人再识别准确率的重要因素。因此,研究如何对行人图片学习到更具判别力的特征表示,并且消除背景杂乱、遮挡等问题对于行人再识别方向的干扰,是一个具有实用价值和挑战性的工作。本文的主要工作如下:首先,目前大部分方法是利用深度卷积神经网络去提取具有判别力、区分性的特征,然后再进行相似性的度量。但是,他们大都忽略了在深度特征空间中同层网络不同通道表达的行人信息的重要性是不同的,越显著的通道对行人再识别的贡献度越高。基于以上的讨论和考虑,我们提出了基于层次显著性通道学习的深度多任务行人再识别模型:（1）设计了一种通道重要性自学习子网络,使得我们的模型可以更关注于深度特征空间中更具区分性的显著性通道;（2）引入了特征增强模块,以充分开发每层网络所提取的特征。（3）提出了一种多任务学习策略,从而对模型进行更好的优化,提取更有判别力的特征。提出的模型学习到的显著性通道特征具有视角不变性,可以部分处理遮挡、背景杂乱等问题。通过大量的实验结果可以看出,在Market-1501、DukeMTMC-reID、MSMT17以及CUHK03四个基准数据集上都取得了非常显著的效果。其次,目前现有的行人再识别方向的数据集规模较小,通过扩充数据集会有利于模型训练,并且大部分的模型较少考虑到背景因素以及遮挡等问题对于行人再识别方向的干扰,因此基于上述两点的讨论,（1）我们基于行人解析模型设计了多流的行人再识别模型结构,其中每个分支充分利用了行人局部性的信息去对模型进行学习。（2）提出了一种较为简单实现的数据集扩充方法,简单来说就是通过改变图片上行人区域的像素值,对行人衣服的颜色进行改变,然后作为新的一个行人类别。（3）原始的图片对比扩充的图片,在背景以及行人轮廓上具有非常强的相似性,我们基于这点考虑,把新扩充的数据集制作成了双标签结构的数据集,每个行人均有对应的两个标签,分别为第一类别标签和第二类别标签,对于不同标签在分类的过程中,分别设置不同的置信度,因此提出了多标签分类损失函数,有利于模型去学习到更具区分性的特征。以上方法减小了背景杂乱以及遮挡等问题对于行人再识别方向的干扰,并且在Market-1501、DukeMTMC-reID、MSMT17和CUHK03四个基准数据集上分别取得较为显著的结果。