随着社会的不断发展,人们对于公共安全问题越来越重视。现如今,监控摄像头在公共场所如学校、商场、街道、车站等地方都有布置,视频监控系统在管理城市秩序和维护社会稳定方面扮演着重要的角色。行人重识别作为一项跨摄像头检索特定行人的技术,是智能安防中的关键技术,成为了近年来研究的热点课题。然而,由于实际拍摄场景的复杂性,获取的行人图像具有姿态变化、遮挡、分辨率低等问题,如何提取具有辨别力的行人特征成为了行人重识别任务的难题。深度学习方法能够自行提取行人图像的特征信息,比传统方法人工设计的特征更具辨别性和鲁棒性,并且能够实现端到端训练。因此,本文结合深度学习算法对行人重识别任务展开研究,主要做了以下几个方面的工作和贡献:（1）针对局部特征学习存在的限制性和低层特征利用不足的问题,提出了多尺度多粒度融合网络（Multi-scale and Multi-granularity Fusion Network,MMF-Net）,旨在更全面和有效地利用特征信息。MMF-Net使用多分支结构学习不同尺度和不同粒度的特征,并以局部特征学习去优化全局特征,加强了全局和局部的关联性;同时在网络的低层引入语义监督模块以提取低层特征,并将其作为行人图像相似度量的补充,发挥低层和高层特征的优势互补;此外,本文改进的池化层结合了平均池化和最大池化的特性,来获取更具鉴别性的特征。（2）针对现有行人重识别方法过于注重对行人图像强辨别性特征的提取导致模型缺乏鲁棒性,以及无法很好地结合空间和通道维度信息的问题,提出了一种基于空间弱化和通道增强注意力的行人重识别方法,该方法通过弱化对于高响应区域的注意,迫使模型学习更全面的特征信息,提高模型的鲁棒性。同时,在网络的不同层结合空间弱化模块构成多分支结构,增加模型特征表示的多样性。此外,在网络中嵌入了通道注意力机制,来学习特征通道之间的关联性,自动校准通道维度上的注意力。本文在Market-1501、Duke MTMC-Re ID、CUHK03和MSMT17这四个主流数据集上进行了广泛实验,并与近几年优秀的算法进行了比较。实验结果表明,本文所提出的方法具有较好的鲁棒性和识别准确率,能有效提升行人重识别性能。