随着社会发展,人们生活水平不断提高,对安全防范问题也越来越重视。监控摄像机网络作为社会安全防范重要措施,在近年来也得到了大力的发展与建设。本文研究了监控摄像机网络领域中的两个课题行人重识别与属性识别。行人重识别是指跨摄像头的行人匹配;行人属性识别是指通过图片,识别出该行人的性别、衣着等信息。通过监控摄像机拍摄的图片进行行人属性识别,是很有挑战性的。不同的拍摄地理环境可能会导致图片出现低光照强度、低分辨率和行人部分被遮挡的情况。对于行人重识别任务而言,由于需要进行跨摄像头的行人对比,往往还会受到拍摄视角变化、行人姿态变化导致人体在图片中位置不对齐等因素的影响。因此如何提取鲁棒的行人特征是这个研究领域的关键。本文提出了一种同时执行行人重识别和属性识别的多任务框架。该框架的流程为:先通过人体姿态估计方法,重建出图片中的人体骨架结构。以此为依据将行人图片分割为上半身和下半身图片。再将得到的两部分图片和原图输入对应的训练好的局部网络和全局网络,分别提取出特征向量。将得到的3部分特征向量进行特征级联,得到联合特征向量。通过比对联合特征向量,得到行人重识别任务的结果。同时,全局网络中行人属性识别的网络分支,将输出各项行人属性的预测值。本文在常用的数据集上进行了实验。本文提出的方法在行人重识别和属性识别两个任务上都能取得较好结果。由于局部特征的融入,重识别任务的准确率能获得一定的提高。本文的多任务框架通过对特征提取网络的复用,节约了单一任务网络训练可能花费的大量时间以及网络参数的储存空间。同时两个任务分支不会相互干扰导致性能下降。