行人再识别是智能监控研究的重点之一,它是利用计算机视觉相关技术,判断不同摄像头间非重叠区域是否存在同个行人,进而可实现可疑人物的快速检索、预测异常事件等相关分析。然而在实际应用场景中,由于存在光照变化、背景杂乱、行人姿态多样以及遮挡等问题,行人再识别研究存在诸多挑战,引起学术界和工业界广泛关注。如何提取更鲁棒且可区分度高的行人特征以提高行人的识别效果,成为该课题的研究核心之一。利用手工设计得到的特征难以消除上述问题带来的影响,而近年来研究发现,采用卷积神经网络能提取辨别性更强的图像特征,将其用于行人再识别效果也有显著提升。本文从人类视觉观察规律和学习知识方式中受到启发,基于注意力机制和课程学习策略探索行人再识别中有效特征的提取。首先,网络模型结合注意力机制以一种有监督的方式生成注意力映射,将该注意力映射作用于全局分支与局部分支,兼顾全局信息与局部信息,利用局部特征强化全局中重要区域,也利用全局信息为局部信息提供上下文关联;其次,用密度分布情况定义复杂度,以此重新划分数据集,利用课程学习策略由易到难训练模型,以渐进式多阶段训练方式逐渐提升网络性能。通过在行人再识别三大公开数据集的实验验证,所提方法可实现复杂场景中行人鲁棒性特征的提取,相比于目前性能较优的行人再识别方法,性能均有提升。尤其对最具挑战的大型数据集MSMT17,本文方法优于现有方法,Rank-1和m AP分别提高9.1%和14.6%。最后,利用机器人平台验证所提方法在实际场景中的有效性。