在社会对于平安城市、智慧城市等项目建设日益重视的背景下,目前监控视频已成为应用最广泛的信息载体之一,发挥着信息采集、记录和挖掘等重要作用。而行人作为重要的监控目标之一,若能在海量的视频图像中对其属性等高级语义信息进行有效识别,将会极大地推动安防监控等诸多领域的发展。然而,现有的行人属性分类算法通常只能在某些特定条件下获得较好的预测效果,对于类内差异较大的行人外观属性、复杂多变的监控视频场景等问题,其健壮性受到制约。因此,如何提升识别算法的泛化性能、实现准确高效的属性解析效果,仍然是一个极具挑战性的课题。本文主要的研究内容如下:1.基于现有的目标分析手段,研究分析了行人属性识别的国内外发展现状,并总结了目前该任务所面临的挑战及存在的不足。2.针对行人属性识别易受视角、尺度、光照等非理想条件变化的影响,某些细粒度属性识别难度较大的问题,提出一种多级注意力跳跃连接网络。在网络中间层,利用敏感注意力模块在通道及空间维度上对原特征向量进行筛选加权,并设计多级跳跃连接结构来综合考量提取的显著性特征;在网络顶层,改进多尺度特征融合方法来融合局部特征和联合优化的全局特征;在网络输出层,结合验证损失趋势算法以自适应更新损失层,加速了模型的收敛速度及精度。3.在PETA和RAP数据集上对提出的属性识别算法性能进行验证,并进一步分析了设计的多级注意力跳跃连接模块(Multi-Level Attention Skip Connection,MLASC)、改进型多尺度特征融合方法以及自适应损失加权策略对于模型预测性能的影响。实验结果表明:(1)本文提出的多级注意力跳跃连接网络在识别准确度和模型收敛速度上有明显的优势,同时在非理想自然条件下具有良好的泛化能力;(2)MLASC模块、多尺度特征融合方法可有效提高网络对细粒度属性、多尺度行人目标的鲁棒性;(3)自适应损失加权策略能够动态调度不同的属性任务以加速模型的收敛。