行人重识别是利用计算机视觉技术判断图像或者视频序列中是否存在特定行人的技术。广泛应用于智能安防、公共场所基于聚类的客流人员统计、人机交互、相册聚类等众多的领域。由于监控图像中的行人分辨率低、不同场景中存在着光照明暗的变化、视角不同的变化、姿态各异变化以及被物体遮挡等问题,检测变得困难,特别是多角度不同摄像机的差异带来了极大的挑战。行人多属性识别当下用于保证多角度摄像机下行人重识别稳定性的最为有效的方法。同样行人多属性识别在计算机视觉领域也有较高的研究价值。随着深度学习技术的不断发展,通过深度学习提取特征的方法逐渐代替手工设计特征的方法。但由于行人多属性识别本身属于多任务学习,其众多属性分处不同的特征层次以及不同的大小规模,对属性的识别效果一直不是很好。行人属性的多任务学习主要存在两个问题。首先,每种属性的特征层级不同,简单属性通过几层卷积即可完成相当准确的分类,复杂属性则需要较深层次的网络才能准确的识别。近年来的研究中,多使用一种类似特征金字塔结构的多分支网络来解决此问题,这种庞大的多个支路很大程度上造成了模型参数的冗余,影响模型效率。本文将使用一种简单的残差网络结构来解决这个问题,保证准确率的同时提高了模型效率。其次,由于行人属性复杂多样,模型训练过程中每一种属性收敛速度不一致,在以往的研究中,人工依靠经验设置固定权值进行训练无法适应属性的多样化,导致模型表现不佳。本研究加入一种动态自适应权值损失,联合优化每一种属性,达到比使用固定权值优化模型更好的效果。在模型效果提升方面,使用人体子部件分割图来精细化模型识别结果是最常用的方法,然而现阶段的研究都需要一个额外的物体分类识别网络或人体骨架提取网络来完成子部件分割,这些网络需要大量的人力标注,同时耗费时间并带来网络本身存在的误差损失。这些精细化过高的分割方法并没有带来属性识别显著的效果提升,反而简单的分割同样能保证很好的性能。本文旨在重复利用属性识别网络本身所具备的特征信息进行人体部件分割,使用简单的分割结果在不引入额外网络的同时,完成行人多属性识别结果的精细化。最后使用深度可分离卷积进一步提高模型识别效率。